本研究针对国家技术图书馆开放存取目录的自动主题标签化问题，提出了一种基于多种大语言模型的组合方法。通过少量示例训练和后处理步骤，我们有效地将生成的关键词映射到目标词汇，并通过专家评估取得最佳结果。

本研究旨在自动为TIBKAT技术记录分配主题标签，采用Gemeinsame Normdatei分类法。通过OntoAligner工具和检索增强生成技术，实验表明该方法在多语言记录处理中的有效性，可能改善数字图书馆的主题标记。

本研究针对SemEval-2025任务5，旨在帮助图书馆员为图书馆记录分配主题标签，通过文档内容从大型主题分类中检索相关标签。我们提出了一种双阶段的信息检索系统，使用双编码器进行粗粒度候选提取，同时利用交叉编码器进行细粒度重排序，显著提高了召回率，且在定性评估中表现出竞争力。

本研究探讨了多语言主题索引，结合大语言模型与传统技术，系统评估表现优异，显示两者结合的潜力。

本研究探讨了大型语言模型在训练中记忆敏感信息的问题，提出了一种新方法，通过冷冻高层并优化低层，实现高效遗忘，同时保持88%的准确性，强调了因果信息层优化在数据隐私保护中的重要性。

本研究针对指令调优的大型语言模型输出中的幻觉和其他过量生成错误的检测问题，提出了Mu-SHROOM共享任务。研究显示，来自43个团队的2618份提交表明了学术界对幻觉检测的高度关注，同时还识别出与性能相关的关键因素，并强调了跨语言幻觉的差异性及标注者之间的高不一致性等当前挑战。

本研究提出了一种多语言HalluSearch管道，用于检测大型语言模型输出中的虚假文本。该方法结合增强检索验证和细粒度事实分解，能够识别十四种语言中的幻觉，尤其在英语和捷克语中表现突出。

本研究解决了科学和技术记录自动主题标记的挑战，采用GND分类法进行英文和德文标记。通过开发基于LLM的系统，结果表明LLM集成、合成数据生成与多语言处理的有效性，为数字图书馆分类应用LLM提供了新见解。

本研究提出了一种新的遗忘系统TIES-Merging，通过模型合并方法选择性删除大型语言模型中的敏感知识。该系统在26个团队中排名第二，展示了其有效性，并呼吁重新思考遗忘目标和评估方法。

本研究探讨了大型语言模型中的幻觉及生成错误检测，使用自然语言推理微调ModernBERT模型。结果显示，模型信心分数与幻觉之间存在中等正相关，但检测重叠率较低，表明检测的复杂性。

本研究探讨了自然语言处理中习语理解的挑战，展示了如何通过大型语言模型和视觉-语言模型提升习语解释能力，达到接近人类的表现。

本研究提出了一种创新的低秩适应方法，用于优化大型语言模型中的负偏好，成功去除敏感内容，且在学习稳定性上表现优异。

本研究针对30多种低资源语言的情感检测，填补了该领域的空白。通过多条赛道的情感标签预测，提供基线结果和最佳系统表现，为多语言情感分析提供重要参考，推动跨语言情感检测的发展。

本研究针对 SemEval-2025 任务 1 中的挑战，即根据给定名词复合词对图像进行排序，采用了生成性大语言模型和多语言 CLIP 模型，以增强习惯用语复合词的表示。研究发现，通过这种方法提取的多模态表示优于仅基于原始名词复合词的表示，显示了该方法在多语言环境下的潜在应用价值。

本研究提出一种新方法，通过Llama-3生成的解释性内容，显著提升RoBERTa在多标签情感检测中的性能，尤其在恐惧、快乐和悲伤情感上提高了F1分数，标志着情感检测的进展。

本研究针对SemEval-2024任务3中情感因果对的提取问题进行探讨，尤其是在对话情境中的应用。文章提出了一种新颖的模型，涵盖嵌入提取、因果对提取与情感分类、以及通过问答方式提取因果关系，从而揭示情感表达中的因果性细微线索。通过对特定任务数据集的微调，模型在这一领域表现出色，团队在比赛中获得了高排名。

本研究解决了印地语-英语混合对话中的情感识别问题，现有模型通常基于单语数据训练，未能有效处理混合数据。我们提出了一系列模型，考虑对话的前后文和顺序信息，并开发了Hinglish到英语的翻译管道以处理混合数据。最终模型在所有基线中表现领先，展现了该方法在情感识别任务中的有效性。

本文探讨了利用自然语言处理和机器学习技术建立检测器，以区分机器生成文本与人类书写文本。研究提出了基于信息理论的度量方法，设计了多种检测器，并通过实验验证了其在不同领域的有效性和鲁棒性，显著提高了检测准确率，尤其在大型语言模型生成文本的背景下。

SemEval-2024 任务 2 聚焦于临床试验中的安全生物医学自然语言推理，旨在提升大语言模型在干预和因果推理方面的能力。研究使用了多种模型，特别是 BioMistral 模型，展示了其在医学问答任务中的优越性能，并探讨了多语言评估的可行性，推动个性化医疗的发展。

本文探讨了多语言语义文本相关性（STR），利用BERT模型在多种语言中取得显著成果。研究表明，结合不同语言模型和数据增强方法，尤其在资源匮乏语言中，能有效提升STR性能。通过创新的回归框架和损失函数，实验结果在多个基准测试中表现优异，推动了该领域的进一步研究。