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“偏好目标调优”（PGT）框架，以解决开放世界代理在指令跟随中受初始提示影响的问题。PGT通过收集轨迹并基于偏好分类来优化初始目标表示，实验结果表明其在多个任务中显著提升了代理的性能和泛化能力。

本研究提出了长文境指令跟随基准（LIFBench）及评估框架（LIFEval），旨在解决大型语言模型在处理长文输入时的指令跟随能力不足的问题，为未来模型开发提供重要见解。

本文介绍了一种名为SynPO的自增强方法，通过自我提示生成器和响应改进器的迭代机制，解决大型语言模型对高质量偏好数据的依赖，提升指令跟随能力和任务表现。

该研究介绍了MM-Instruct，这是一个大规模、多样化的视觉指令数据集，旨在提升大型多模态模型的指令跟随能力。通过现有语言模型从图像字幕数据生成新的视觉指令数据，并建立基准来评估这些模型的能力。

我们开发了COSMIC，一种高效的多模态语言模型，将语音融入大型语言模型中。COSMIC在少于20M个参数和450小时语音数据下，展示了指令跟随和上下文学习能力，甚至在未见过的语音转文本任务中也能生成文本。多任务评估证明了低成本构建语音语言模型的方法有效性。

FlashFace是一种实用工具，用户可以通过提供参考人脸图片和文本提示，个性化自己的照片。该方法具有更高保真度和更好的指令跟随，与现有的人脸个性化方法有所区别。实验证明了该方法在各种应用中的有效性。

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。