文心5.0正式发布，支持文字、图像、音频和视频的全模态输入与输出，具备强大的理解与生成能力。其在多模态理解和情感分析方面表现突出，能够精准捕捉细节并进行复杂推理。新技术采用统一架构，提升训练与推理效率，参数规模超过2.4万亿，标志着百度在大模型领域的突破。

本研究提出WixQA基准，解决企业问答系统领域特定数据集不足的问题，通过构建多样化的问答数据集来评估检索与生成能力。研究表明WixQA有效支持企业环境中的RAG系统评估。

本研究提出了CodeMixBench基准，用于评估大型语言模型在混合代码提示下的生成能力。研究发现，混合提示会导致模型性能下降，尤其是小型模型，揭示了多语言代码生成的挑战及未来发展方向。

本研究提出了一种新框架，将大型语言模型（LLMs）视为上下文敏感的语言生成器。通过分析变压器的上下文窗口和注意机制，揭示了其生成类人智能输出的能力，弥合了形式语言理论与变压器生成能力之间的鸿沟。

本研究提出CAFe框架，首次在大型视觉语言模型中同时提升表征学习与生成能力，推动多模态检索与生成基准的发展。

本研究探讨了大型语言模型（LLMs）内部编码的事实知识与其输出之间的差距，发现内部知识显著高于外部表达，平均差距达到40%。这一发现揭示了LLMs生成能力的局限性。

本研究提出TRCE方法，针对文本到图像扩散模型中的恶意内容生成问题，采用双阶段概念消除策略，有效去除恶意概念，同时保留生成能力。

本研究提出了一种新方法，通过反向翻译自然语言代码切换句子并微调大语言模型，提升生成能力。结果显示文本流畅性良好，但评估指标与人类判断存在不一致。

本研究针对图神经网络（GNNs）可信度不足的问题，提出了分类法和框架，并调查了代表性方法。结果显示，大型语言模型（LLMs）与GNNs结合可提升其语义理解和生成能力。

本研究提出了一种名为“提升与跳过”的无引导扩散方法，旨在提高少数样本的生成能力。该方法通过对标准生成过程进行两个小改动，显著提升了生成效率，优于传统的引导方法。

本文探讨了通过模型间交互提升文本到图像生成的能力，提出了ArtAug方法，该方法利用图像理解模型的隐式学习来优化合成效果，实验结果显示其显著增强了生成能力。

本研究提出了一种新的基于潜在扩散模型的框架，用于在有限数据下生成眼底荧光血管造影（FFA）图像。通过优化微调协议，提升了生成能力，成功应对不同模态和疾病类型的挑战，促进眼科诊断和患者护理。