本研究提出了一种名为\(\projectname\)的零训练视频优化管道，通过神经符号反馈改善文本到视频生成模型在处理复杂提示时的语义和时间一致性问题。实验结果显示，视频与提示的对齐精度提升近40%。

本研究提出了PRECTR框架，旨在解决搜索推荐系统中搜索相关性匹配与点击率（CTR）预测模型分开训练的问题。通过两阶段训练和语义一致性正则化，提升了模型的互动性和推荐相关性，验证了个性化推荐能力。

本研究探讨了视觉-语言模型中的幻觉问题，提出了一种跨时间预测连接（TPC）方法，通过增强logits的语义一致性，显著减少幻觉现象，提高模型的准确性和效率。

本研究提出了一种名为BayesGenie的方法，结合大语言模型与贝叶斯优化，解决了图像生成中的内容控制和语义一致性问题。研究结果表明，该方法在编辑准确性和语义保留方面优于现有技术。

本研究提出了TextMatch框架，旨在解决文本与图像生成模型的对齐问题。通过多模态优化和大型语言模型评估语义一致性，动态调整提示，从而显著提高文本与图像的一致性。

本研究提出了一种新框架，通过符号等价和语义一致性方法，评估和选择最佳的自动形式化结果，准确性提高了0.22至1.35倍。

本研究通过计算方法首次定量评估斯瓦希里语中名词类别的语义一致性，并详细描述其语义内容，对语言学理解有重要影响。

本研究提出了一种新的语义一致性度量标准，评估多种预训练语言模型在TruthfulQA数据集上的表现，发现其优于传统方法。研究展示了现代大型语言模型在事实问答中的能力，并探讨了多模态大型语言模型的评估标准，揭示其在视觉理解方面的脆弱性，提出了改进建议。

本研究探讨了跨语言摘要中的语义一致性问题，提出了一种基于重新排序的方法和多标准评估协议，以促进不同语言间的语义相似多目标摘要。

本研究评估了大型语言模型（LLM）在语义一致性和推理能力方面的表现，提出了新的评估标准和方法。研究发现，专有模型通常优于公开模型，但无一模型在一致性和推理能力上得分超过90%。通过引入新的度量标准和提示策略，旨在提高模型在文本生成和摘要任务中的性能。

本研究提出了一种大型语言模型增强的困难样本去噪框架（LLMHD），用于解决传统推荐系统中的噪声问题。通过构建基于LLM的评分器来评估用户偏好与项目之间的语义一致性，优化样本识别过程，实验结果表明该方法在去噪推荐中的有效性显著提升。

本文提出了Conversation Graph以提高对话系统的成功率，评估显示成功率提升6.4%。研究探讨了知识图谱与大型语言模型的结合，提出了三种框架以实现双向推理，并回顾了知识图谱文本生成的架构。通过创建BridgeKG语料库，研究发现大型语言模型在对话任务中表现出良好的分类能力，解决了语义不一致性问题。

本文提出了一种三分支编码器-解码器架构，结合图推理模块用于多模态图像融合，实验证明该方法在可见/红外图像和医学图像融合任务中表现优异，超越了其他融合方法。RiFeNet网络提高了前景实例的语义一致性，并在多个基准测试中优于最先进的方法。

该论文提出了一种基于潜在扩散的T2A方法，利用预训练的大型语言模型提升音频生成的语义和时间一致性。研究表明，该方法在音质和生成效率上优于现有模型，能够生成高质量的立体声音频，并在音频生成领域展现出广泛的应用潜力。

本文探讨了大型语言模型（LLMs）的理解能力，提出通过多语言一致性评估其性能。研究发现，LLMs在不同语言和任务中的一致性不足，理解力依赖于所用语言。文章强调理解不仅是语法操作，还涉及语义，并指出当前LLMs在常识推理方面存在显著差异，提出了评估模型理解力的新方法。

本文介绍了一种基于深度神经网络的视频摘要方法，采用多模态自监督学习框架，无需大量标注数据，通过视频与文本的语义一致性获取视频表示。实验结果表明，该方法在排名相关系数和F分数上优于现有技术。此外，研究探讨了大型语言模型在视频理解和摘要中的有效性，并提出多种新技术以提高视频检索和摘要的准确性。

本研究提出了一种非监督学习方法，通过像素级图像重建和自我学习，显著改善物体部分分割效果。该方法在多个数据集上表现优异，结合多尺度裁剪和强数据增强，提升了语义一致性和分割精度，具有重要的应用潜力。