本研究提出了一种新型BAM嵌入，针对金融领域文本嵌入的不足，经过14.3M数据集调整，Recall@1达到62.8%，显著优于OpenAI的通用嵌入，问答准确率提高8%。

我们提出了一种新的视觉位置识别框架，利用鸟瞰视角的结构线索生成描述符。在VPR-NuScenes数据集上，Recall@1提高了2.47%，难样本上提高了18.06%。

研究人员提出了CALRec，一个两阶段的LLM微调框架，通过两种对比损失和语言建模损失在两个塔式结构中微调预训练的LLM。CALRec模型在Recall@1和NDCG@10上的性能优于其他方法。

研究人员提出了CALRec，一个两阶段的LLM微调框架，通过两种对比损失和语言建模损失在两个塔式结构中微调预训练的LLM。实验证明，该模型在Recall@1和NDCG@10上的性能显著优于其他方法。