本研究提出Flow-GRPO方法，首次将在线强化学习应用于流匹配模型，有效提升文本到图像任务的生成准确性和人类偏好对齐效果。

本研究提出多速率残差混合（M2R2）框架，旨在解决自回归生成中的推理效率与生成准确性之间的权衡。M2R2通过动态调整残差速度，提升早期对齐，从而显著提高推理效率，优于现有方法。

本文介绍了M-HalDetect数据集及其在幻觉检测和预防模型训练中的应用。研究提出了精细遗忘框架和主动检索增强框架等多种方法，有效降低了大型视觉语言模型中的幻觉率，提高了生成准确性，为未来研究提供了新思路。

本文探讨了大型视觉语言模型（LVLMs）中的幻觉问题，并提出了Instruction Contrastive Decoding（ICD）和Visual Contrastive Decoding（VCD）等优化策略，以减少幻觉现象。研究表明，这些方法有效提升了模型的生成准确性和内容可信度，且无需额外训练数据。实验验证了这些策略在不同模型中的广泛适用性和有效性。

本文提出了Fact-and-Reflection（FaR）提示法，以改善大型语言模型（LLMs）的置信度校准，降低预期校准误差。同时，研究了检索增强生成（RAG）的发展，介绍了三种RAG范式及其评估方法。分析表明，特定文档特征能显著提高生成准确性。此外，提出了FacTool框架用于检测生成文本中的事实错误，强调自动事实检查的重要性。