对比指令调优是改善大型语言模型对未知任务性能的方法，通过最大化语义上等效的指令实例对的相似性，最小化不同语义的实例对之间的相似性。实验证明，对比指令调优能够提升大型语言模型对未知指令的稳健性，平均准确率提高了2.5%。

本文提出了一种名为shapeDTW的改进算法，用于解决全局DTW算法匹配不合理的问题。该算法通过点对点的局部结构信息提高匹配的精度，并在最近邻分类器中的应用中表现出显著优势。在84个UCR时间序列数据集中，shapeDTW在64个数据集上优于DTW，并通过使用适当设计的局部结构描述符，在18个数据集上将准确率提高了10%以上。

本文提出了一种名为shapeDTW的改进算法，通过点对点的局部结构信息提高匹配精度。在最近邻分类器中使用该算法作为距离度量，能够在84个UCR时间序列数据集的64个上显著优于DTW，并且在18个数据集上将准确率提高了10%以上。

本文提出了一种名为shapeDTW的改进算法，通过点对点的局部结构信息来提高匹配的精度。在最近邻分类器中使用该算法作为距离度量，可以在84个UCR时间序列数据集的64个上显著优于DTW，并且在18个数据集上将准确率提高了10%以上。

本文提出了一种名为FuRePA的新方法，用于解决多跳问题回答。该方法在三个公认的多跳问题回答数据集的评估中，回答准确率提高了10%-12%。