通过使用扩散模型的生成反馈来提高模型的鲁棒性，减少视觉幻觉，并且不需要额外的训练模块和更少的训练参数，DEEM 优于其他交替内容生成模型。

使用大型语言模型和动态经验专家建模方法（DEEM）改进 LLMs 推理能力，实现更广泛和可靠的多方位分析，在三个标准基准测试中取得最佳结果并减少 LLMs 的偏差。

DEEM是一种用于小麦营养缺陷分类挑战的方法，将数据集分成不同日期的离散组来训练模型，并采用伪标签方法将高置信度的测试数据标记并纳入训练集，最终将各组的模型统一获得整个数据集的模型。在Deep Nutrient Deficiency Challenge中，该方法获得了平均93.6%的Top-1测试准确率，并荣获了第一名。