本文探讨了智能电网中电力负荷预测的深度学习模型，包括前馈神经网络和LSTM的性能评估。研究提出了基于Koopman算子的解释性机器学习方法，强调了电网特有特征在模型设计中的重要性。此外，介绍了HEDGE工具生成住宅能源数据，并探讨大型基础模型在电力系统中的应用潜力，提出了利用微调语言模型恢复负荷数据的新方法，展示了其在电力系统分析中的重要性。

本文介绍了InBedder，一种通过微调语言模型在抽象问答任务上建立嵌入模型的方法。InBedder在大型语言模型和较小编码器模型上展示了指令遵循能力和可解释性。

本研究评估了联系中心领域微调的语言模型在对话、渠道和自动语音识别方面的性能，并发现其在领域下游任务中的应答可接受性提高了48%以上。与开箱即用的模型相比，联系中心微调的模型在编码表面、句法和语义属性方面的依赖较少，为专业环境中微调语言模型的行为提供了机会。