本研究提出了一种新方法来检测有害互联网模因，构建了HarMeme和ToxiCN数据集，强调多模态信号的重要性。通过大型语言模型和视觉语言模型，开发了MemeGuard框架，以优化恶意模因的检测。研究分析了模因的毒性类型及传播策略，并指出现有模型在侮辱性内容检测中的不足，呼吁技术进步以应对新挑战。

本文探讨了大型语言模型（LLMs）在金融情感分析中的应用，提出了一种基于检索增强的框架，显著提高了模型的准确性和性能。研究表明，LLMs在处理金融文本时，尤其在样本较少的情况下，优于传统模型。通过精细调整和多模态信号结合，LLMs在金融时间序列预测和情感分析中展现出良好效果，推动了金融领域的创新与发展。

大型语言模型（LLMs）在时间序列预测中表现优异，尤其是在有明确模式的数据上。研究表明，结合外部知识和自然语言改写可以提升预测性能。通过多模态信号分析，LLMs在金融时间序列预测中优于传统模型。尽管在某些领域已超越人类，LLMs在未来事件预测上仍面临挑战。综述指出，LLMs的应用潜力巨大，但需克服数据依赖和泛化问题等挑战。

该研究提出了一种名为HumanTOMATO的文本驱动整体运动生成框架，旨在生成高质量的面部表情、手势和身体动作。通过解决文本与动作的对齐问题，该模型在动作质量和文本一致性方面表现出色。此外，研究探讨了多模态信号转换和生成变压器在3D人体动作生成中的应用潜力。

该研究探讨了有害网络迷因，提出了新的分类方法和数据集HarMeme，强调多模态信号在检测中的重要性。研究还分析了网络毒性检测的复杂性，提出了MOMENTA深度神经网络方法，显示出优于现有方法的性能，并探讨了用户对毒性内容的期望，为改进毒性分类器的设计提供了方向。

本文探讨了大型语言模型（LLMs）在时间序列预测中的有效性，尤其是在少样本和零样本学习场景下。研究发现，结合股票价格、公司元数据和历史新闻等多模态信号，使用GPT-4和Open LLaMA等模型的预测性能优于传统模型，如ARMA-GARCH和梯度提升树。引入外部知识和自然语言改写有助于提升预测效果，同时探讨了联邦学习与基础模型的结合，以增强隐私保护和可扩展性。

本研究通过量化多种身体部位的运动为其各自领域定制的码本，利用预训练模型将多模态信号转换为共享的潜在空间，并通过逐步预测后续令牌形成完整序列来将这些信号转换成离散的运动令牌，最后从令牌序列中重构连续的实际运动。实验证明了该方法的有效性和广泛应用的潜力。

Any-Modality Augmented Language Model (AnyMAL)是一种统一模型，可以对多样化的输入模态信号进行推理，并生成文本回复。该模型继承了最先进的LLMs的强大的基于文本的推理能力，并通过预训练的对齐模块将模态特定信号转换为联合文本空间。同时，使用人工收集的多模态指令集对模型进行了微调，以覆盖复杂的主题和任务。在全面的经验分析中，该模型在各种多模态任务上展示了最先进的性能。