本研究提出了T2VTextBench，这是首个评估视频生成模型中文本准确性和时间一致性的人类评估基准。测试结果显示，大多数模型在生成清晰一致的文本方面面临显著挑战，为未来改善视频合成中的文本处理提供了研究方向。

本研究比较了不同版本的GPT模型在多模态感知中的表现，发现GPT-4和GPT-4o与人类评估一致性高，但在模拟感官体验方面存在显著差异。

LLM优化方法有三类：Prompt Engineering、RAG、Fine-tuning。问答系统的自动化评分方法有Exact Match (EM)和F1 Score。对话系统的评估维度包括连贯性、流畅性和多样性。人类评估仍然重要，可以作为自动化评分的补充。

本研究通过加入噪声的方式训练去噪自编码器，实现了无需配对语料库的句子压缩。人类评估表明，模型生成合理可读的句子摘要。