南洋理工大学提出的概念感知微调（CAFT）首次在微调阶段实现多token预测，增强模型理解能力而不增加成本。CAFT通过辅助头和动态调整权重，帮助模型学习完整概念，显著提升编程、数学和生物医学等领域的性能，可能改变AI训练方式。

本研究提出了一种知识指令方法，通过指令微调来解决大型语言模型在特定领域信息不足的问题，提升模型的事实记忆、减少遗忘并增强理解能力，适用于小型模型的数据生成。

本研究提出了一种新的跨图像与图内原型学习框架（CIPL），旨在解决多标签疾病诊断中的挑战。该框架通过跨图像语义解开多个疾病的纠缠，提升模型对复杂病灶的理解，并引入两级对齐正则化策略以增强解释的稳健性和预测性能。实验结果表明，CIPL在多个疾病诊断数据集中达到了最先进的分类准确率。