该研究提出了一种两阶段框架，解决科学论文摘要中结构信息不足的问题。通过自动识别标准化章节标题，并利用Longformer生成上下文感知摘要，实验结果表明该方法优于现有基线。

本研究提出一种两阶段框架，解决因错误标签导致的强模型过拟合问题，显著提升模型性能，某些模型改进达到100%。

本文提出了一种新的两阶段框架2SSP，用于大语言模型的结构化剪枝，结合宽度和深度剪枝策略。该方法在多种稀疏率下显著提升了语言建模和下游任务的性能，并显著缩短了剪枝时间。

本文提出了一种新颖的两阶段框架，利用大型语言模型和上下文学习，将自然语言游戏描述转换为博弈论中的扩展形式表示。研究表明，该框架在生成准确的扩展形式游戏方面显著优于基线模型，具有广泛的自动化应用潜力。

本研究提出了一种基于真实生活过程的两阶段框架，解决了大型语言模型在零样本通俗总结中的应用问题。结果表明，该方法生成的总结更受人类评审青睐，展示了其在自然语言处理中的潜力和应用价值。

本研究提出了一种新颖的两阶段框架，结合监督微调与可控强化学习，克服了大语言模型在生成研究创意时的局限性，实现了动态生成与优化，取得了高质量的结果。

本研究提出了一种新的两阶段框架，通过使用合成图像进行模型微调，然后使用真实数据进行快速适应，提高迁移能力。实验证明该方法在分类任务上的准确率提高高达30%。

本研究提出了一种新的两阶段框架，通过使用合成图像进行模型微调，然后使用真实数据进行快速适应，提高迁移学习模型的能力。实验证明，该方法在不同数据集和模型上都能提高分类任务的准确率，最高可达30%。

EmoEdit是一个两阶段框架，利用视觉-语言模型进行情感修改。该方法在评估中表现出卓越性能。

本研究提出了一种新的两阶段框架，通过使用合成图像进行模型微调，然后使用真实数据进行快速适应，提高迁移学习模型的能力。实验证明，该方法在不同数据集和模型上都有一致的改进效果，分类任务准确率提高高达30%。

我们提出了一个两阶段框架，利用伪标签进行领域自适应，以提高从 CT 扫描中检测 COVID-19 的速度和准确性。该模型通过利用一个领域的注释数据和另一个领域的非注释数据，克服了数据稀缺和变异挑战。实验结果展示了该模型在高诊断精度方面的潜力，有助于高效的患者管理和减轻医疗系统的压力。

本文介绍了instruct-imagen模型，解决了异质图像生成任务并可泛化到未知任务。通过引入多模态指导，利用自然语言将不同模态融合在一起，以统一格式标准化生成意图。通过两阶段框架构建模型，利用预训练的文本到图像扩散模型进行精调。在各种图像生成数据集上的评估表明，instruct-imagen在领域内与特定任务的模型相媲美甚至超越，并展示了对未知和更复杂任务的泛化能力。

该文介绍了一种高分辨率人像抠图的轻量级模型，采用了两阶段的框架，通过 Vision Transformer 作为低分辨率网络的主干，能够在高清视频中实时进行处理。该模型在细化网络中提出了一种新颖的跨区域注意力模块，取得了优越结果。

该研究探讨了大型语言模型在零样本设置中的图像共享能力，并提出了一个两阶段框架。实验证明 GPT-4 在零样本提示下实现了最佳性能，并证明了框架的有效性。