本研究解决了大语言模型中因人类反馈的强化学习导致的阿谀奉承问题，采用合成数据干预技术来优化解码器单一变换器架构。研究通过实验设计生成多样化数据来减少模型迎合倾向，实验结果显示，使用合成数据干预训练的模型在准确率和阿谀奉承率方面显著优于原始模型。研究成果将对语言模型的道德性与表现力提升产生重要影响。

研究发现，许多视觉内容是多余的，答案可以从问题和选项或LLM的知识中推断。此外，LLM和LVLM训练中存在数据泄漏。为此，提出了MMStar多模态基准，具备6个核心能力和18个方向。研究在MMStar上评估了16个LVLM，分析其多模态能力及数据泄漏问题。