短文本聚類面臨詞彙共現的挑戰，但研究顯示大型語言模型（LLMs）能有效生成嵌入，捕捉語義細微差異，改善聚類結果。透過高斯混合模型，聚類效果比傳統方法如doc2vec和潛在狄利克雷分配更明顯且易解釋。人類評審和生成型LLM的驗證顯示高一致性，顯示LLM能縮短聚類產出與解釋的距離。此外，LLM與人類編碼的比較揭示了兩者的偏見，質疑傳統將人類編碼視為最終標準的做法。 PubMed DOI

傳統藥物設計又慢又容易失敗，深度學習模型像DrugGPT雖然能產生新分子，但常常沒用。DrugGen是改良版，結合真實資料和優化技術，能產生100%有效分子，預測和多樣性都更好。測試證明它有效，還能幫助藥物再利用和新藥設計，大大提升藥物開發效率。 PubMed DOI

這篇論文提出LLaFS++新架構，首次用大型語言模型（LLMs）來提升少量樣本分割（FSS）效果。透過LLMs的知識，LLaFS++能克服標註資料少的問題，分割表現更好。架構有多項創新設計，像是直接輸出多邊形、區域-屬性表、多模態引導、課程學習結合偽樣本合成，以及新推論方法減少過度分割。實驗結果在多個基準上都拿下最佳表現，展現LLMs在少量樣本視覺任務的潛力。 PubMed DOI

SDoH-GPT 是一套新方法，結合大型語言模型、少量範例學習和 XGBoost 分類器，能自動從醫療紀錄擷取健康社會決定因素。這大幅減少人工標註，省時又省錢，準確度也很高（Cohen’s kappa 0.92、AUROC 超過 0.90），已在三個資料集驗證，讓醫療界更容易運用 SDoH 資料。 PubMed DOI

這篇論文提出 AttrDD，一種專為視覺-語言模型設計的階層式少量樣本微調框架。它先用微調後的模型縮小到最容易混淆的幾個類別，再用大型語言模型產生屬性描述來細分。這種兩階段、以屬性為主的方法，搭配輕量級 adapter，不只提升微調效率，在多項基準測試上也優於現有方法。 PubMed DOI

這篇論文提出一套以使用者為核心的分散式AI影像生成服務架構，利用生成式擴散模型（GDMs），讓用戶能共享部分生成流程，提升效率。作者還結合大型語言模型與強化學習，模擬用戶回饋，優化主觀體驗品質（QoE）。新演算法G-DDPG能根據用戶偏好和網路狀況有效分配資源，模擬結果顯示QoE提升約15%。 PubMed DOI

這篇論文提出DP2Unlearning方法，能有效從大型語言模型中移除特定資料，不用重新訓練。它利用差分隱私訓練模型，達到資料移除的正式保證，效果接近完全重訓，但計算成本只要一半，表現也比現有方法更好。 PubMed DOI