本研究提出一种结合强化学习的新框架，以解决大型语言模型生成文本时的逻辑一致性和结构连贯性问题。实验结果表明，该方法在文本连贯性和语义对齐方面显著优于基线模型。

本文提出了一种新的方法来建模扩散磁共振成像（dMRI）数据集，利用人脑的结构相干性，仅使用单个被试的数据。使用神经网络来参数化球面谐波级数（NeSH）以表示来自人类结构连接计划数据集的单个被试的dMRI信号，连续地在角度和空域中。使用这种方法重建的dMRI信号显示出更具结构连贯性的数据表示。消除了梯度图像中的噪声，并且纤维定向分布函数沿纤维束的方向呈平滑变化。展示了如何使用重建来计算平均扩散度、分数各向异性和总视觉纤维密度。这些结果可以使用单个模型架构实现，并仅调整一个超参数。演示了在角度和空域中进行上采样可以实现与现有方法相当或更好的重建。