本文解决了大规模语言模型在生成过程中缺乏自我评估和修正能力的问题。提出的ReVISE框架通过内在自我验证使模型能够自我修正输出，采用结构化的在线偏好学习课程实现效率。实验表明，ReVISE在推理任务中显著提高了推理性能，实现了高效的自我修正。

本研究提出PRISM方法，旨在解决多模态大型语言模型在视觉指令调优中的数据冗余和计算成本问题。通过皮尔逊相关分析选择高价值实例，提高数据选择效率，实验证明其在多个基准测试中优于传统方法，整体时间减少30%。

XQ拒绝了对方的爱，对方反思为何未能成功，认为爱情需要合适的表达方式。他感到孤独和无奈，最终承认与自己相爱，强调内在的精神财富才是真正的幸福。

该研究探讨了变分自编码器（VAE）中的隐藏表示，提出了内在维度和信息不平衡的新理解。研究发现，当瓶颈大小超过内在维度时，VAE的行为会发生变化，并确认了快速拟合与缓慢泛化的训练阶段。这为优化架构搜索和诊断欠拟合问题提供了新工具。

本研究介绍了一个名为RLeXplore的框架，提供了八种先进内在奖励算法的实现。该框架通过辅助和密集的信号使代理能够无监督学习。研究填补了相关领域的研究空白。

本文比较了不同任务和实验条件下数百个已训练模型的内在和外在偏差度量标准之间的关系，发现这些度量标准在所有情况下都没有可靠的相关性。作者呼吁重点关注外在的偏差度量标准，并通过创建新的挑战集和注释测试数据使使用这些度量标准更加可行。作者还发布了一份基于性别偏见的仇恨言论的代码、新的内部度量标准和一个注释的测试集。

构建公平的深度神经网络是实现可信的人工智能的关键步骤。研究发现深度神经网络内部的几何特征对公平性有影响。提出了内在维度正则化（IDR）的方法，减轻模型偏见并改善性能。

该研究提出了一种名为KGAN的知识图增强网络，用于细粒度情感分析任务。该方法通过学习语境和句法表示来捕获情感特征，并结合知识图和RoBERTa模型获取方面特定的知识表示。实验证明该方法在ABSA数据集上取得了最先进的性能。

最近的研究发现，通过对大语言模型（LLM）的内部激活进行训练，可以推断其真实性。本研究详细研究了LLM对真实性的表示结构，并提出证据表明LLM线性地表示事实陈述的真实性或虚假性。同时，介绍了一种新技术，质量均值推断法，具有更好的推广性和与模型输出相关性。

我们使用探测任务来检验预训练模型对源代码的学习程度，并发现结构信息对源代码的特征表示具有改进效果，同时发现 BERT 在某些探测任务上与源代码模型竞争力相当，暗示改进源代码特定的预训练有丰富的机会。

该文介绍了一种新的神经网络模型SASANet，通过引入Shapley值实现自解释性和泛化性。该模型采用基于边际贡献的串行架构和内部精炼训练策略，能够精确地建模任意数量特征的有意义的价值函数。