本研究提出了一种创新方法，利用大型语言模型提升国际口语翻译研讨会(IWSLT)中的语音翻译与指令跟随任务的性能。通过融合多个自动语音识别系统的输出，采用两步翻译和文档级精炼，显著提高了翻译质量。

本研究提出了ManipDreamer，通过引入动作树和视觉引导，显著提升了机器人操控视频合成中的指令跟随和视觉质量。

本研究提出WildIFEval数据集，包含12000条多样化用户指令，揭示了现有语言模型在处理多约束指令时的不足，为复杂条件下的指令跟随研究提供了基础数据支持。

本研究提出了一种新框架“偏好目标调优”（PGT），旨在优化开放世界代理的指令跟随政策。PGT通过收集环境轨迹并基于偏好进行分类，调整初始目标的潜在表示。实验结果表明，PGT显著提升了代理性能，并展现出良好的泛化能力。

本研究提出了长文境指令跟随基准（LIFBench）和评估框架（LIFEval），旨在提升大型语言模型在长文境输入中跟随指令的能力。这些工具有效评估模型在复杂长文境下的表现，并为未来模型开发提供重要见解。

本文提出了一种新方法，通过自动标记文本与指令，构建高质量的指令跟随语言模型。该方法利用少量种子数据和网络语料库进行微调，生成训练样本并选择高质量例子。研究表明，模型在多语言翻译和复杂任务中表现优异，特别是在未见语言的翻译上有显著提升。

OneLLM通过多模态编码器和对齐管道，将八种模态与语言结合，提升了指令跟随能力。研究表明其在多模态任务中的表现优异，包括图像压缩和生成。新方法利用文本信息引导图像压缩，显著提高了性能。ModaVerse模型简化了多模态训练，降低了成本，提高了效率。

本文介绍了一种新方法BayLing，通过互动翻译任务提升非英语语言模型的性能。研究表明，BayLing在多轮指令跟随和词语翻译等任务中表现优异，尤其在汉语任务中效果显著，超越了英语模型。

VisIT-Bench是一个用于评估面向实际应用的指令跟随视觉语言模型的基准测试。该基准测试收集了70个指令家族，数据集包含592个测试查询。VisIT-Bench对参与者是动态的，实践者只需在项目网站上提交其模型的响应。