本研究提出了一种通过文本注释支持的自动合规检查方法，旨在提高合规检查的效率和准确性。该方法将文本注释转化为机器可理解的OWL DL代码，并在建筑施工领域进行了验证，显示出其在提升合规性检查效率方面的潜力。

本研究提出了MARVEL-40M+数据集，包含4000万条文本注释，旨在解决现有数据集在规模、多样性和注释深度方面的不足，从而显著提升3D重构和快速原型制作的效果。

本研究探讨了大型语言模型（LLM）在文本注释中的性能，强调数据集和任务类型对结果的影响。提出了一种新框架，通过评估多个候选答案的可信度来改善模型的置信度校准。实验结果显示，LLM在语义等效输入中的置信度不稳定，需改进模型参数化知识的稳定性。此外，LLM尚未能系统替代人类评审员。

本文介绍了一种基于13B Llama2的医学对话大型语言模型（LLM），其在PubMedQA中的准确度达到76.6%。该模型在生成SOAP笔记方面优于GPT-4，并能更好地捕捉医学概念。研究探讨了LLMs在医疗决策中的应用，强调提示设计对准确性的影响，并提出结合人类专家的方法以提高医疗文本注释的效率和准确性。

该文介绍了利用LLM进行文本注释的工作流程，并使用GPT-4复制27个注释任务进行验证。结果表明，LLM在文本注释方面表现良好，但依赖于数据集和注释任务类型。作者提供了易于使用的软件，以实现自动化注释的LLM部署。