本研究提出了多种从统一意义表示（UMR）生成文本的新方法，特别关注多语言和文档级信息。通过微调技术，生成的文本在英中文的表现优异，BERTscore分别达到0.825和0.882，显示出UMR的潜在影响力。

本文提出了一种新颖的微调技术“提示蒸馏”，有效解决大型语言模型（LLMs）获取新知识的难题，其性能与检索增强生成（RAG）相当，具有重要的应用潜力。

本文介绍了一种新的时间序列基础模型MOMENT，结合Transformer进行预训练，提升了分类任务性能。研究建立了公共时间序列数据库Time-series Pile，解决了数据稀缺和评估基准问题。实验验证了模型在有限监督下的有效性，并提出多种微调技术以提高在医疗等领域的应用效果。

本文介绍了大型语言模型的参数高效微调（PEFT）方法，强调在选择微调技术时需考虑任务类型和数据可用性。提出了PEQA和IncreLoRA等新方法，以解决数据不足和计算资源消耗问题，提升微调效率。研究表明，ID³方法通过动态评估参数重要性，显著提高了计算效率和模型性能。

该研究探讨了预训练代码模型的微调技术，提出了Telly技术以降低学习成本。介绍了StarCoder和CodeT5+等模型在代码生成任务中的表现，并强调了安全发布和评估系统的重要性。通过新基准测试评估大型语言模型的编码能力，发现其在真实代码库中的缺陷，并提出改进方案。

本文介绍了一种新框架，旨在提升视觉语言模型的概念理解能力。实验表明，交叉注意力和新微调技术能有效改善模型在细粒度理解上的表现。此外，研究提出了基于属性的视觉问答方法，增强了多模态场景理解，为视觉语言模型的评估和改进提供了新的基准和方法。

本文介绍了如何通过对齐技术增强大型语言模型的有益性和无害性，并提出了灵活的训练框架和有效的微调技术。通过度量方法证明了这些对齐模型在诚实性方面的显著提高。

本文介绍了微调技术，用于提高自动语音识别系统对非标准语音的识别准确性，特别是针对肌萎缩侧索硬化症患者的言语和带口音的言语。通过训练个性化模型，相对于标准语音，相对词错误率能提高62％和35％，仅五分钟的训练就能带来71％的提升。微调部分层的结果往往比微调整个模型更好，是构建肌无力性言语最先进的自动语音识别模型的第一步。