本研究探讨了文档级翻译评估的关键问题，强调了自动评估指标的重要性，并提出了未来的发展方向，包括用户友好的评估方法和机器翻译评估的训练模型。

本研究探讨了最终训练模型在数据归因中的挑战，提出了一种测量模型对训练实例敏感性的方法，并统一了不同梯度方法的理论框架。结果表明，一阶方法的近似质量在进一步训练后下降，而影响函数方法的近似质量更稳定但整体较低。

介绍SynShadow数据集及其合成阴影图像的方法，支持训练阴影去除模型并通过微调预训练模型改进效果。

GPT-SoVITS是一个开源项目，用极少量的声音样本快速训练模型，完成文本到语音的转换。

研究发现语言模型数据集存在大量冗余数据，导致训练模型时有超过1%的非提示输出直接复制自训练数据。研究团队开发了两个工具，能够定位冗余数据并通过去重训练模型，减少内存化文本的发生。这样做不仅减少了训练和测试重叠，还提高了模型的准确性。工作和代码已在指定的https网址上发布。

该研究使用一个包含31种南亚语言的多语种共指解析翻译数据集训练了两个模型。最佳模型在印地语黄金集上的得分分别为64和68，并指出了当前共指评估指标的局限性，呼吁开发更合适的评估指标。

这篇文章介绍了一种基于提示生成视频的方法，通过训练视频模型，利用低质量视频和合成高质量图像，成功生成了高质量的视频。评估结果显示，该方法在图片质量、动作和概念组合方面表现出优越性。

本研究使用WikiGoldSK数据集评估了多语言预训练语言模型在斯洛伐克语上的效果，并与现有的斯洛伐克NER数据集进行了比较。结果显示使用银标准数据集进行训练可以获得更好的结果。研究公开了数据集、代码和训练模型。

本文介绍了一种简单的自监督方法，用于放大视频中微小的运动，并通过操作视频来实现光流的缩放。通过训练模型估计生成视频的光流并惩罚其与给定放大因子的偏差程度，避免了使用合成放大数据集的需求。通过评估视觉质量和定量度量，展示了方法的有效性。

合作机器学习允许多个参与者共同训练模型，但现有聚合器无法准确识别恶意更新和排除操纵风险。

研究发现，预训练的抽象摘要系统性能可靠，但输出的摘要常与输入不符且存在事实错误。作者通过综合和人工标注数据训练模型，识别摘要中的事实错误，并研究了单词、依赖和句子级别的事实性。实验结果显示，人工标注的细粒度数据提供更有效的训练信号，最佳事实性检测模型能识别非事实标记，从而提高抽象摘要模型的准确性。

研究了面部交换的感知和反常谷效应，通过新的训练模型方法减少面部交换与源材料之间的视角误差，降低眼睛在深假检测任务中的重要性，对特效制作、数字化形象和隐私保护具有重要意义。

本文研究了机器翻译的训练模型，重点关注增强多对多多语言翻译性能和零-shot翻译方向。通过在预训练的多语言大型语言模型上进行微调，并采用提示策略和跨语言一致性正则化，提高了翻译性能。实验结果表明方法有效。

该研究提出了弱监督标签统一流程，合并多个训练模型的伪标签，构建统一标签空间，提高泛化能力。通过微调和验证，在动态交通场景中得到出色的目标检测模型，对领域变化具有更高抵抗力。

本文讨论了机器学习中的伪相关性问题，介绍了一种降低对伪相关性敏感度的训练模型方法和资源，并实验证明该方法在情感分析和自然语言推理任务上表现良好。

本研究使用合成数据生成方法并对营养学领域的特定用例中生成的数据进行质量分析，通过扩展方法全面分析训练模型中抽样的效果，基本复现真实世界分析结果。