本文提出了$ exttt{SAGE}$框架，旨在提升大型语言模型（LLM）的安全评估，特别是在特定风险和动态交互中。该框架通过对抗性用户模型进行定制化危害评估，增强了评估的有效性。实验结果表明，随着对话长度的增加，模型的危害性也随之上升，强调了适应性测试的重要性。

本研究解决了增强生成（RAG）在问答任务中因检索不准确信息而导致的失败问题，主要是由于现有方法未考虑语义分割和选择的权衡。提出的SAGE框架通过训练语义分割模型和动态选择相关性更高的片段，显著提升了问答的质量和成本效率，实验结果显示其问答质量平均提高了61.25%。

本论文研究了一种获取语言模型中编码信念的统计方法，并探讨了不同语言模型中的道德信念。调查结果显示，大多数模型在明确情景中选择与常识一致的行动，而在模棱两可的情况下表达了不确定性。

SAGE是一种生成型LLM，用于在电子商务目录中推断产品属性值。它可以预测含蓄提及或未提及的属性值，并判断某个属性是否不适用或无法获得。SAGE是首个应对电子商务目录中属性-值预测任务的方法，具有优越性。同时，SAGE在零样本情境中预测属性值的能力，可减少标记示例总数。

本文提出了一种基于GNN的方法，利用语义和局部几何形状来指导可靠点云注册候选项的识别，实现精确的激光雷达姿态估计。该方法通过识别语义实例关系，显著减少了点云注册的计算负担，并通过计算置信度得分估计点云扫描之间的位移。在KITTI测距数据集上测试，相较于基准方法，实现了竞争性的准确度和更高的轨迹平滑度，同时依赖 significantly fewer network parameters。