该研究提出了细粒度CLIP（FG-CLIP），通过生成16亿对长文本与图像，增强了模型对细微语义差异的识别能力。实验结果表明，FG-CLIP在多个任务中超越了原始CLIP及其他方法，有效提升了模型性能。

本研究提出EAGER-LLM框架，整合内生和外生行为语义信息，解决大型语言模型在推荐系统中的语义差异问题。研究表明，该框架在协作语义和推荐性能方面具有显著优势，推动了推荐系统的发展。

该研究探讨了否定形式对神经信息检索的影响，发现跨编码器模型表现最佳，晚交互模型次之。大多数信息检索模型在存在否定形式时表现不佳，且机器与人之间仍有显著差距。研究还分析了用户对不同语义的认知，并提出了考虑语义差异的建议。

Progressive3D是一种通用框架，可以通过逐步编辑步骤创建复杂的3D内容，并限制更改的区域。重叠语义组件抑制技术可以优化过程更关注提示之间的语义差异。该框架适用于不同3D表示驱动的文本到3D方法。