本研究通过多语言比较，探讨了图像描述的具体性与众包工作者的熟悉程度之间的关系。构建了多文化视觉语言数据集MaRVL，发现不同语言模型在图像理解中的表现差异，强调了文化和语言对视觉任务的影响。此外，研究提出了新的基准数据集CUNIT，以评估大型语言模型在跨文化概念识别中的能力，揭示了其局限性和研究潜力。

大型语言模型在生成文本方面表现优异，但在知识密集型任务中的解释能力仍需提升。研究表明，众包工作者更倾向于基于知识的解释，认为其更实用和全面。为提高解释的可信度，提出了审查预测的两阶段流程。此外，基于提示的方法在提取原因方面优于传统方法，更好地与人类理解对齐。

本文探讨了大型语言模型的可解释性和实用性，提出了自动化评分系统GEN-U来评估其帮助性。研究发现，众包工作者更倾向于基于知识的解释，尽管模型生成的解释更受欢迎，但需提升简明性和新颖性。研究旨在提高生成解释的可信度。

研究表明，大型语言模型在逻辑推理方面存在缺陷，导致生成反事实答案。为增强其逻辑推理能力，提出了多种策略并通过综合数据集进行评估。研究发现，众包工作者更偏好基于知识的解释，需提高模型生成解释的简明性和新颖性。此外，提出了多阶段框架以提升模型在药物相关查询中的响应质量，并通过反复辩论改善语言响应表现，尤其是在数学和策略推理方面。