本研究解决了结构药物设计中的几何建模问题，提出了VLB-最优调度策略，优化了变分下界，显著提升了分子建模效果，PoseBusters的通过率达到95.9%。

本研究解决了专业领域分词器开发不足的问题，提出了针对法律、金融和政府文本的领域特定BPE分词器，具有更高的效率，使用的标记数量比现有的GPT-4o和Llama3减少了9-17%。此外，字符级BPE分词器在文本纠正任务中表现出色，保持了错误文本和正确文本之间的一致标记边界，显著提升了处理长篇法律和金融文件的性能和效率。

本研究提出了一种模型融合方法，显著提升了泰语大型语言模型的推理能力，达到DeepSeek R1水平。

本研究解决了图像描述任务中的特定领域与通用知识整合的不足。提出的MoColl框架通过将复杂任务分解为一系列相互关联的问答子任务，实现了领域特定的视觉分析与通用知识的有效结合。实验结果显示，该框架在放射学报告生成上显著提高了报告质量。

此研究提出了一种新的攻击范式，即面向目标和对抗性提示注入（TAPI），针对代码导向的大型语言模型（Code LLMs）。TAPI 在外部源代码中生成包含恶意指令信息的不可读注释，并将其隐藏为触发器。当用户利用 Code LLMs 完成包含触发器的代码时，模型将在特定位置生成攻击者指定的恶意代码片段。实验结果表明，我们的方法具有很高的威胁性（攻击成功率高达...

本文介绍了一种解决零样本泛化挑战的强化学习算法，通过理解和利用环境的上下文线索，将上下文表示的学习与策略学习相结合。该算法在各种模拟域中展示了改进的泛化能力，在零样本情境中优于先前的上下文学习技术。同时学习策略和上下文，实现了特定行为的上下文表示，并在实现跨不同真实世界任务的强化学习系统上取得了进展。

竞争优势是局部和特定的，不是普遍和分散的。

该文章介绍了首个中文语言模型CHARM在常识推理能力方面的评估。通过5个提示策略的评估发现，语言模型的语言定位和任务领域会影响提示策略的效果。研究还发现一些模型在记忆中文常识方面遇到困难，影响其推理能力。同时，对语言模型在无记忆推理能力上的表现进行了评估和分析。该研究准确确定了语言模型的优势和劣势，并为优化提供了明确的方向。

该研究讨论了大型语言模型中的事实性问题，分析了其不准确性对不同领域应用的潜在影响和挑战，介绍了评估模型事实性的方法和策略，提供了研究人员指南以增强大型语言模型的事实可靠性。

DDG是一种处理机器学习模型泛化问题的方法，采用基于约束的优化形式，以有限维参数化和经验逼近的方式进行简化，并提出了一种基于原始对偶算法来实现表示分离和域泛化的方法。

该研究提出了神经网络设计选择，并在三个语义分割任务中实现了强大的性能表现，特别是在最稀有的工具类上。该研究提出了一种在考虑不平衡成分时实现高性能的方法。