本研究探讨了大型语言模型（DLM）在摘要事实一致性评估中的应用，发现针对DLM的提示方法优于现有系统。通过零样本策略，提出三种矛盾检测方法，实验表明合理的设计能提升模型性能。研究引入TreatFact数据集，评估了11个LLM的事实一致性，发现开源模型有提升潜力，并提出新指标FFLM，改善生成模型的忠实度评估。

本文研究了自然语言理解模型在对话一致性中的应用，提出了DialoguE COntradiction DEtection任务，并创建了新型对话数据集。研究表明，结构化方法在矛盾检测中优于非结构化方法。同时，分析了大型语言模型的自相矛盾现象，并提出了检测和缓解的方法，强调了外部知识在训练中的重要性。

本文探讨了神经响应生成模型在矛盾检测中的应用，提出了新的数据生成方法和对话数据集。研究表明，结构化语言表述在矛盾检测中优于非结构化方法，而大型语言模型如ChatGPT在检测不一致性方面仍存在困难。通过重写聊天机器人发言和对抗性负样本，显著提升了矛盾检测性能。

本研究提出三种零样本策略以解决矛盾检测问题，并评估大型语言模型的有效性。实验结果表明，合理设计的范式能够使模型在无需训练的情况下超越强基线。此外，研究还推出了新的数据集和基准，探讨模型在事实一致性评估中的表现，发现现有模型在检测不一致性方面存在不足。