MH-Net是一种新型加密流量分类模型，通过构建多视角异构图，挖掘流量字节之间的细粒度关联。该模型结合多任务训练和对比学习，显著提高了流量分类的准确性，尤其在CIC-IoT和ISCX数据集上表现突出，验证了其有效性和先进性。

本研究利用大型语言模型Bio-SIEVE进行医学文献筛选，结果优于传统方法。研究发现多任务训练的效果不如单任务训练，强调了LLMs在生物医学系统评价中的重要性，并建议更新PRISMA指南，以整合AI驱动的流程，提高文献综述的效率和可靠性。

本研究提出RAGtrans基准和多任务训练方法，解决了传统机器翻译在非结构化文档中知识获取不足的问题，显著提升了大型语言模型的翻译能力。

本研究探讨了通过回收不同训练轮次的模型检查点来优化多个任务训练的通用模型合并。研究表明，调整检查点权重的线性组合可以生成性能优于单个模型的帕累托最优模型，甚至表现不佳的检查点也能改善合并效果。

本文介绍了一系列基于神经网络的文本生成模型，如DNPG、SynPG和RAPT，旨在实现可控的语法和语义生成。这些模型通过多任务训练和无监督学习提高生成质量和多样性。实验结果表明，它们在生成释义和引语时能够有效保持原意并提升语法控制，适用于数据增强和个性化文本生成。

本研究提出了一种新型语音理解模型，旨在减少训练数据量并提高性能。通过多任务联合训练和预训练技术，该模型在多个基准测试中表现优异，特别是在商用语音助理应用中显著提升了语义准确率。此外，研究探讨了如何有效利用大型语言模型转变为聊天助手，并提出了“响应调优”方法，以提升用户体验。

本文探讨了知识蒸馏（KD）在大型语言模型（LLM）中的应用，提出了多种新机制以提升小型模型的性能。研究表明，通过生成无标签数据和多任务训练，可以在减少参数的情况下实现与大型模型相当的效果。同时，文章评估了不同蒸馏方法的效果，强调了其在自然语言处理和文档分析中的重要性，为未来研究提供了方向。

本文探讨了多种先进语音编码器在低资源环境下的表现，特别是Whisper在语音理解和生成任务中的优越性。研究还介绍了Speech-LLaMA和Qwen-Audio模型，后者通过多任务训练框架提升了音频理解能力，并支持多轮对话。研究提出了新的训练策略和评估基准，以解决语音识别和翻译模型的数据不足问题。

本文探讨了自动语音识别（ASR）技术的改进方法，包括数据增强、端到端模型和多任务训练。研究表明，这些新方法能显著提升模型性能，尤其在资源稀缺语言的应用中，通过有效对齐音频与文本，简化数据准备，增强ASR系统的效果。

本文介绍了Qwen-Audio预训练音频模型，通过扩大预训练规模和覆盖多项任务和音频类型，提高了通用音频理解能力。通过层次标签序列的条件设计，解决了多任务训练中的干扰问题。Qwen-Audio在多个基准任务上表现出色，无需特定任务的微调。作者还开发了Qwen-Audio-Chat，实现了多轮对话和音频为中心的场景支持。

视觉注意提示预测与学习是一个将视觉注意线索整合到模型决策过程中的框架。它引入了一种基于扰动的注意力图修改方法、优化的掩码聚合方法和权重学习函数。该框架旨在通过多任务注意线索和交替训练来提高有无注意线索样本的未来预测能力。大量实验表明其在增强预测能力方面的有效性。

该研究探讨了大型语言模型中的上下文偏置，通过提供额外的上下文信息来提升自动语音识别性能。研究提出了偏置列表和提示方式，以及多任务训练和动态提示方法，分别实现了17.8%和9.6%的改善。

该研究提出了一种面向知识密集型任务的检索增强式生成模型，通过多任务训练实现。实验结果显示，该方法在竞争基线上有显著改进，并在KILT任务中取得了最佳结果。

该研究通过多任务训练提出了一种面向知识密集型任务的检索增强式生成模型，实验证明该方法在竞争基线上有显著改进，并在KILT任务中取得了最佳结果。

该文章介绍了一种名为TokenSplit的语音分离模型，可在离散标记序列上操作。该模型通过输入掩码实现多任务训练，包括将每个语音源进行分离和转录，并从文本生成语音。作者还介绍了模型的“修正”版本，证明了该模型在分离方面具有优秀的性能，并提供了语音合成的音频样本来展示该模型的附加效用。

该研究提出了一种面向知识密集型任务的检索增强式生成模型的多任务训练方法，实验结果表明该方法在 KILT 基准测试中取得了显著的改进，并在 KILT 任务的五项中取得了最佳结果。

该研究探讨了大型语言模型中的上下文偏置，并提出了多种方法来提升自动语音识别性能，包括偏置列表、少量示例、多任务训练和动态提示等。实验结果表明，这些方法可以分别实现17.8%至20.0%的相对WER改善。

该研究提出了一种面向知识密集型任务的检索增强式生成模型的多任务训练方法，通过过滤训练样本来清理训练集，以确定是否可以通过知识库回答一对查询 - 答案。实验结果表明，该方法在两个强烈不平衡的任务上大大改进了竞争基线，并在其余任务上显示出较小的改进或无显着退步。此外，该方法能够良好地缩放，并在 KILT 任务的五项中取得了最佳结果。