本文介绍了一种基于压缩后缀树的语言模型，具有紧凑的表示形式和高效查询能力。该模型在构建时间和内存使用上有所增加，但通过优化可实现高达2500倍的查询提速，并在大规模语料库中与KenLM算法相比更具竞争力。

本文介绍了NLG-Eval和Themis，用于自然语言生成任务评估的大规模语料库和大型语言模型。Themis通过多角度一致性和评分偏好的方法进行训练，具有灵活、可解释的评估能力，并在各种NLG任务上表现出优越性能。它还在未见任务上具有良好的泛化能力，超越了其他评估模型，包括GPT-4。