西北工业大学与香港中文大学联合开发的DiffRhythm模型，基于扩散技术，能够快速生成完整歌曲，提升音乐的连贯性和可理解性。用户只需提供歌词和风格提示，1分钟内即可生成音乐。

本研究提出CINEMA框架，针对个性化多主体视频生成，利用多模态大语言模型消除主体图像与文本的对应关系，从而提升视频的一致性与连贯性，为故事叙述和个性化视频生成开辟新方向。

本研究解决了大型视觉语言模型在生成超过1000单词时的连贯性问题，提出了包含22158个示例的LongWriter-V-22k数据集和Direct Preference Optimization方法，7B参数模型在MMLongBench-Write基准测试中表现优异。

本研究探讨黎巴嫩巴勒斯坦难民如何通过共享叙述维持对纳克巴的集体记忆。统计分析表明，出身和居住地对叙述相似性有显著影响，女性叙述在记忆形成中尤为重要，强调了口述历史在维护巴勒斯坦身份中的关键作用。

本研究提出了SpeechSSM模型，解决了现有口语语言模型在生成长篇语音时的连贯性问题。该模型能够在单次解码中学习并生成长篇语音，显著提升了长篇语音处理能力，并引入了新的评估指标和基准。

本研究分析了小型语言模型在撰写儿童和大学生文本时面临的挑战，特别是在处理敏感话题和复杂词汇方面。提出的“元写作链”方法展示了这些模型如何模仿人类的写作规划和评估，从而提高生成文本的连贯性和一致性。

本研究提出段级扩散（SLD）框架，旨在解决扩散模型在生成长文本时的连贯性和上下文准确性问题。通过文本分段和对抗学习，SLD显著提升了生成效果，实验结果显示其在流畅性和连贯性方面优于其他方法。

本研究提出了一种新模型，结合BERT的语义理解与GPT-4的生成能力，显著提升文本生成的连贯性和深度，超越传统模型。

该研究探讨了开放式文本生成中模型质量评估的挑战，提出了一种基于偏序的基准方法和新的总结指标，以平衡连贯性、多样性和困惑度，从而提供更全面的质量评估。

本研究提出了DetectGPT和DetectLLM系列等新方法，以提高检测大型语言模型生成文本的准确性，特别是在假新闻和代码检测方面。研究还强调了无样本检测和对抗攻击的鲁棒性，推动了负责任的人工智能研究。

介绍了最小p采样方法，可提升大模型数学能力20%，平衡连贯性和多样性。已在Mistral-7B和Llama3-70B上测试，获得广泛应用。核心是动态调整抽样阈值，取得在推理任务、数学类任务和创意写作中的良好效果。

本文探讨了积极转化任务，旨在将消极文本转化为积极视角。研究评估了文本风格转换模型，提出三种策略以保持上下文一致性，并通过自动和手工评估生成文本的连贯性和主题一致性。结果表明，现有模型能够有效生成积极文本，对消极思维的重构具有重要意义。

本文提出了多种改进的采样算法，以提升神经语言模型生成自然语言文本的能力，包括改进的 top-p 和 top-k 算法、eta-sampling、自适应温度采样等。这些方法通过动态调整参数和优化策略，显著提高了生成文本的质量和多样性。

使用 DECOR 作为一个新颖的基准，第一个特别设计用于改善 L2 英语写作的一致性评估数据集，该数据集包括原始不连贯句子及其专家重新写作版本对。

本文探讨了对齐算法和直接偏好优化（DPO）在大型语言模型中的应用，提出了D2PO、ODPO和rDPO等改进方法，以提升模型性能和安全性。研究表明，DPO在与人类偏好对齐方面有效，但存在敏感性问题。实验结果显示，这些改进显著提升了模型的输出质量和对齐效果。

本文介绍了SyncDiffusion方法，通过感知相似性损失生成协调的360度全景图。研究重点在个性化文本到图像合成，提出了PanFusion和MVDiffusion等模型，以提高全景图像生成的质量和一致性。实验结果显示，这些模型在生成新场景和保持多视图一致性方面表现优异，具有广泛的应用潜力。

提出并测试了两种新的偏差，以增强对有效逆因对照解释的搜寻，方法为应用扩散距离和引入定向一致性项；通过在合成和实际数据集上进行一系列消融实验，证明了该方法的有效性。

本文介绍了一种基于3D高斯辐射场的训练方法，旨在提高稀疏视图下的重建质量。通过深度正则化和高效的视角合成技术，显著提升了渲染速度和细节重建，超越了现有方法的性能，并探讨了3D高斯喷洒在实时渲染中的应用潜力。

本文介绍了基于扩散模型的视频超分辨率和编辑方法，强调时间一致性与质量的平衡。研究提出的新算法和网络结构显著提升了视频的感知质量和处理效率，有效解决了视频生成中的时间不连贯问题，并在多个基准测试中表现优异。