本研究探讨大型语言模型中的幻觉现象，提出了一种基于提示的框架，通过幻觉诱导提示和量化提示系统性触发和量化幻觉。研究发现不同模型的回应一致性和幻觉程度存在显著差异，为研究幻觉脆弱性提供了测试平台，并为开发更安全的模型奠定基础。

本研究探讨了用户与大语言模型聊天机器人互动时有效提示的挑战。实验比较三种提示框架，结果显示结构化提示显著提升了用户行为和AI响应质量。这一发现对提升用户与AI的互动能力及聊天机器人设计具有重要意义。

本文提出了多模态少样本提示框架PromptChart，旨在提升大型语言模型在图表相关任务中的表现。研究表明，合理设计提示可以显著提高模型在基准测试中的效果。同时，探讨了大型语言模型在信息辨别和可视化任务中的能力，强调了人本评估的重要性，并指出未来的研究方向。

本文探讨了大型语言模型（LLM）自我纠错的能力，发现缺乏外部反馈时模型难以自我修正，可能导致性能下降。研究提出了一种基于“confidence”的提示框架，以提升自我修正的准确性，并引入ProCo框架，显著提高推理任务的性能。此外，研究展示了LlmCorr框架在低成本修正模型预测方面的应用，并探讨了自我纠正在翻译质量提升中的作用。