本研究提出了名为AnyEnhance的统一生成模型，专注于语音增强的多任务处理。通过提示指导和自我批评机制，该模型显著提高了语音和歌声的增强效果，超越了现有技术。

本研究提出MCQG-SRefine框架，通过专家提示和自我修正，提升大型语言模型生成专业领域多选题的质量和难度，并用LLM自动评估替代人工评估。

大型语言模型的时间推理能力是理解世界的关键。研究提出了一个通用框架，利用数学数据集和自我批评的时间优化方法，提升模型的时间推理能力。Timo模型在7B和13B规模上表现优异，平均准确度超过同类模型，验证了框架的有效性和泛化能力。

大型语言模型（LLMs）通过研究时间推理任务，提出了通用框架，并通过自我批评的时间优化方法，提升了模型的时间推理能力。Timo模型在时间推理方面表现出色，超过了同类LLMs的最先进性能。实验证明了框架的有效性和泛化能力。

通过引入现代的 Transformer 架构、随机属性遮盖训练（使得模型可以以任意属性集合作为条件进行生成，并获得无需分类器的引导）、辅助属性预测损失（使得模型可以自我评估和选择最佳分子）以及其他改进措施，我们将 Spanning Tree-based Graph Generation 扩展为多属性条件生成，并展示了在内部和外部分布的条件生成及奖励最大化上，STGG + 达到了最先进的性能。

本文介绍了一种新的数学数据集和协议，提升了数学专用语言模型的性能。已公开模型检查点和数据集，促进进一步研究和发展。

该研究评估了一种利用大型语言模型进行计划生成和验证的计划系统。自我批评削弱了计划生成性能，但对 LLM 验证器的影响不大。LLMs 在计划任务的自我批评迭代框架中的有效性受到质疑。

本文探讨了幽默的两种形式：给别人找Bug和给自己找Bug。幽默可以帮助人们处理挫折和困难，增强人际关系和团队合作。