大型多语言机器翻译系统取得重要突破，使用大型语言模型和多语言嵌入评估幻觉检测方法。Llama3-70B在高语料资源语言上性能提高0.16个MCC，Claude Sonnet在低资源语言上相对其他模型提高0.03个MCC。大型语言模型在低资源语言方面优势较小。

在不平衡分类问题中，传统性能度量标准对类别不平衡不稳健。提出了对F-score和MCC的稳健修正，保证真正阳性率。通过模拟和实验展示了性能度量标准行为，并讨论了与ROC和精确率-召回率曲线的关联性，提出了如何结合使用的建议。

该研究提出了一种多模态的CoT框架，将语言和视觉信息相结合，提高了答案推断的准确性，比先前最先进的LLM（GPT-3.5）高出16个百分点，甚至超过了人类表现，在ScienceQA基准测试中表现出色。