本研究提出了一种新框架“Cross”，旨在解决时间图神经网络在处理时间文本属性图时对文本语义动态演变考虑不足的问题。通过利用大型语言模型提取文本动态语义，显著提高了对节点文本邻域演变的理解能力。实验结果表明，该方法在多个数据集上有效且鲁棒。

该研究提出了一种名为HiTime的层次化多模态模型，旨在解决传统时间序列分类方法忽视动态时间信息和文本语义对齐的问题。通过双视角对比对齐模块和混合提示策略，该模型有效整合时间特征和文本语义，显著提升分类准确性。

本文介绍了LayoutLLM，一种灵活的文档分析方法，旨在理解图像化文档。该模型通过结合文本语义和空间布局，在多项文档分析任务中表现优于现有模型，尤其在处理不规则布局和异构内容方面。研究表明，布局增强显著提升了大型语言模型在文档理解中的性能。

该文综述图像压缩研究，重点探讨利用文本语义与多模态模型提升压缩质量，方法包括场景文本质量评估、贝叶斯字典学习、文本引导深度压缩、生成模型及语义集成损失，在低比特率下改善感知与语义保真度，优于JPEG等传统方法。