本研究通过开发GigaVerbo语料库，解决了葡萄牙语神经文本生成资源不足的问题。新模型Tucano在多个基准测试中优于现有模型，突显了评估方法的局限性。

本文探讨了神经文本生成中的“幻觉”现象，并提出了多种减少虚假信息生成的方法，包括扩展beam搜索算法和实时检验策略。研究表明，模型的不确定性与虚假内容相关，所提解码策略能有效降低幻觉概率。此外，开发了无约束幻觉生成评估基准，以评估语言模型的表现。

本研究提出了长文本自动摘要的人工评估指南LongEval，旨在提高评估信度并减少评估者工作量。调研162篇论文发现，神经文本生成模型在生成摘要时容易产生虚假内容。研究还探索了大型语言模型在评估摘要事实一致性方面的应用，提出了新指标FFLM和FIB基准，发现现有模型在一致性评分上存在问题。最终，强调了改进评估方法的重要性，以提升摘要的可信度和准确性。

本文综述神经文本生成中的作者归属与模糊化研究，指出传统方法存在局限，并探讨匿名性与隐私问题。研究涵盖集成学习混淆、隐蔽性评估、多语言机器文本检测对抗、神经网络风格分析及DeepStyle等方法，发现现有混淆易被检测，同形异义攻击尤为突出，需提升鲁棒性与隐蔽性。