本文提出了一种基于词典的约束解码方法DECIDER，旨在通过特定目标概念控制生成文本的意义和风格。研究表明，该方法能有效引导生成结果，提升大型语言模型的决策性能。此外，介绍了选择性去偏差方法和成本敏感的推迟框架DeCCaF，以提高模型的预测性能和公平性，减少错误分类成本。

本文综述了多种语言模型解码控制方法，包括NeuroLogic解码、鉴别器引导的树搜索、GRACE、对比解码及离策略强化学习等，无需微调即可控制主题、情感与推理，提升生成流畅性与准确性，并应用于机器人长视程任务。