本研究探讨了增强检索生成（RAG）中管理外部知识的挑战，提出了晚分块和上下文检索两种分块技术。结果表明，上下文检索在语义连贯性上表现更佳，但计算资源需求较高；而晚分块效率更高，但可能影响相关性和完整性。

本研究提出了一种新方法，利用大型语言模型（LLM）优化对话意图聚类，解决传统文本聚类与人类感知不匹配的问题。经过验证，精调的LLM在语义连贯性和聚类命名上表现优越，意图发现的应用效果显著，定量指标提高6.25%，应用层面性能提升12%。

本研究提出了一种生成模型，解决了基于扩散模型的图像修复中的3D不一致性问题，通过引入场景替代视角，实现了3D一致性和语义连贯性。实验结果表明，该方法在多个数据集上优于现有技术。

本文探讨了大型语言模型（LLMs）在自动语音识别（ASR）系统中的应用，旨在提高转录准确性。研究表明，LLMs能够纠正语音识别中的错误，尤其在医学转录领域表现突出，提升了语义连贯性和准确性，为改进医疗记录的可靠性提供了希望。

本文探讨了基于扩散概率模型（DDPM）的图像修复技术，提出了RePaint和RePaint+等新算法，能够有效处理图像缺失信息并提高修复质量。研究推动了对人脑多尺度结构的理解，并在图像生成和修复中实现了更高的语义连贯性和控制性。

本文介绍了一种新的上下文感知模型及其训练方法，旨在提高机器翻译的质量和语义连贯性。研究表明，利用上下文信息能显著改善翻译效果，并提出了新的评估标准以衡量上下文的贡献。实验结果显示，增加上下文信息有助于提升模型性能。