本研究提出了BreezyVoice，一个针对台湾普通话多音字消歧的文本转语音系统，结合先进语言模型，优化语音生成，尤其在代码切换环境中表现突出。

该研究提出了一种无监督的词义消歧系统TreeMatch，结合特定领域知识库和依赖知识，显著提高了消歧精度，测试结果优于基线。

本研究针对上下文感知机器翻译模型在代词消歧方面的不足，通过调整注意力头的权重，发现优化被低估的注意力头能显著提升消歧效果和模型性能。

本研究提出了一种新方法，通过系统性提示增强机制和意义解释知识库，解决数字通信中的词汇歧义问题，显著提升社交媒体中的词义准确性。

该研究提出了一种基于标记的消歧方法，旨在提升大型语言模型在开放领域问答中处理自然语言模糊性的能力，从而显著提高模型的准确性。

本研究评估了多种大型语言模型在瑞典语词义消歧中的表现，结果显示在有训练集的情况下，模型的准确度低于最佳监督系统，但高于无监督系统。此外，人类撰写的词义定义显著提高了模型的准确性。

大型语言模型在医疗应用中存在偏见，倾向于为白人群体投射更高费用和较长住院时间，并在高生存率医疗场景中表现乐观。未来研究需解决和减轻语言模型偏见问题，确保公平准确结果对所有患者。

该文章介绍了Alberta大学团队在SemEval-2023视觉词义消歧任务中的系统，使用了BabelNet中的注释、文本和图像编码器的组合算法。与英语编码器应用于翻译文本进行了比较。通过使用语言模型生成的描述来增强上下文，提高了准确性。还介绍了其他V-WSD方法的图像生成和文本条件图像分割，并评估了它们。官方提交结果排名第18，非官方结果更好。

借助本地和全局信息交换推动全球聚类，将具有相同姓名的作者独立为不同的真实专家群体，提出了一种名为 BOND 的从零开始姓名消歧方法，通过驱动全局聚类来生成伪聚类标签，并进一步细化本地成对特征，实验证明 BOND 优于其他相对先进的基线算法，而增强版 BOND + 在 WhoIsWho 竞赛中表现不逊于其他顶级方法。