本研究提出了一种无训练的冲突感知任务合并（CAT合并）方法，旨在解决多任务模型合并中的知识冲突问题。通过剔除冲突组件，CAT合并在视觉、语言和视觉-语言任务上有效提升了准确率，平均提高2.5%和2.0%。

RFT强化微调结合强化学习与传统微调，能在特定领域显著提升大语言模型表现。华为云ModelArts Studio支持该技术，优化医疗模型，实验显示准确率提升超过10%。此方法降低数据需求，适应性强，适合数据稀缺行业。

本研究提出了一种基于大型语言模型（LLMs）的网络攻击检测方法，旨在提高恶意流量分类的准确性。研究表明，LLMs可作为分类器、编码器和预测器，通过并行建模，DDoS检测的准确率提升近35%。

本研究提出了“物理推理器”框架，以解决大型语言模型在物理问题上的知识不足。该框架通过构建公式集和核对清单，提升了模型在分析、检索和推理阶段的能力，最终在SciBench上实现了平均5.8%的准确率提升。

研究者发现，大多数语言模型生成的对话摘要中有27%的事实不一致。对于更具挑战性的事实问题回答，所有模型的平均准确率仅为62.8%。研究还发现，对话的主题/客体的理解是语言模型对话理解能力中最困难的问题。通过自动构建多任务数据进行微调，可以提高模型的对话理解能力。在DIAC-FactQA上，该方法获得了8.9%的准确率提升。

研究者发现大多数对话模型生成的摘要中有27%的事实不一致。对于更具挑战性的事实问题回答，所有模型的平均准确率仅为62.8%。研究者提出了一种通过自动构建多任务数据进行微调的方法，实验结果显示准确率提升了8.9%。

本研究提出了一种支持立场提取网络（SEN），可以在一个统一的框架中提取多模态证据的不同立场，并引入基于命名实体的共现关系计算的支持 - 反驳分数到文本 SEN 中。实验结果显示，该方法优于现有的基线模型，最佳模型在准确率上取得了3.2%的性能提升。

本文研究了大规模视觉-语言模型的集成方法，通过选择具有高度互补性的多种模型来解决任务，实验结果表明集成模型的准确率潜在提升很大。

该文介绍了无恒实验室利用白盒工具进行越权漏洞治理的思路，包括挑战、治理目标和解决方案。未来的白盒检测方向包括准确率提升和越权治理。