本研究提出了一种新颖的数据标注方法，解决了现有过程奖励模型在长链推理中仅关注初始错误的问题。通过引入错误传播和终止概念，显著提升了模型在自我纠正和推理方面的性能，实验结果优于现有模型。

本研究提出了一种新的上下文感知语义重组机制（CASRM），旨在提升大型语言生成模型的连贯性和上下文适应性。实验结果表明，该机制显著改善了生成文本的质量，并减轻了错误传播的影响。

本研究提出了一种端到端智能预测优化框架，旨在解决车辆众包感知中的车辆分布与目标感知分布偏差问题。该框架通过将优化过程集成到预测中，改进传统方法，减少错误传播的影响。实验证明其在智能交通系统中的潜力。

本研究提出了Teacher2Task框架，解决多教师学习中手动聚合导致的标签亚优化和错误传播问题。通过特定输入标记和重构训练过程，将数据转化为N+1个任务，取得显著成果。