西北大学与谷歌合作提出贝叶斯自适应强化学习（BARL），首次阐释了大型语言模型（LLM）如何有效进行反思与探索新策略。研究表明，BARL在数学推理任务中表现优异，能够更高效地利用信息，避免无效反思，从而提升模型的决策能力。

该研究提出了一种新的混合网络TGBFormer，用于视频目标检测，解决了全球和局部信息利用不足的问题。引入空间-时间变换模块后，实验结果表明该方法在ImageNet VID数据集上表现优异，具有实际应用潜力。

本研究提出了ERIC-FND框架，旨在解决多模态假新闻检测中的信息利用不足和可信度低的问题。通过增强外部信息和多模态交互，该模型在Twitter和微博数据集上超越了现有技术，提高了假新闻检测的准确性。

本研究提出了一种新型增强模型，旨在充分利用X光图像中的有效信息，显著提升医疗报告的质量，并在多个基准数据集上表现出色。

该研究使用预训练语言模型分析联合语料库，发现模型在某些情况下能够利用信息，但在其他情况下只是记住了数据。该研究对于大规模互联网语料库的语言理解和数据利用具有重要意义。