Aligning MAGMA by Few-Shot Learning and Finetuning

SCITUNE：对齐大型语言模型与人类整理的科学多模态指令

SCITUNE: Aligning Large Language Models with Human-Curated Scientific Multimodal Instructions

SCITUNE通过多模态指令提升大语言模型在科学任务中的表现，优于现有模型并在ScienceQA基准上超越人类性能。

Language Is Not All You Need: Aligning Perception with Language Models

MPF：通过多视角融合在部署后对齐和去偏语言模型

MPF: Aligning and Debiasing Language Models post Deployment via Multi Perspective Fusion

本文提出多视角融合框架 MPF，通过将基线分布分解为可解释视角成分并加权采样响应，在部署后以无需微调的方式对齐和缓解 LLM 偏见，实验验证了其在 KL 散度、校准误差和泛化性上的优势。

The Wisdom of Hindsight Makes Language Models Better Instruction Followers

CLIP在军用车辆分类中的遮挡鲁棒性

Occlusion Robustness of CLIP for Military Vehicle Classification

该研究针对CLIP在军事遮挡场景下鲁棒性不足的问题，基于自制18类军用车辆数据集，用NAUC评估不同CLIP变体的遮挡鲁棒性，得出四项关键结论，为CLIP的国防场景部署提供参考。

M2Lingual：增强大型语言模型中的多语言多轮指令对齐

M2Lingual: Enhancing Multilingual, Multi-Turn Instruction Alignment in Large Language Models

提出完全合成的多语言多轮指令微调数据集M2Lingual，利用两步Evol分类法将种子示例转换为复杂指令，覆盖70种语言和17+种NLP任务，有效提升了不同规模LLMs的多语言对齐性能。

TOPA：通过纯文本预对齐扩展大语言模型以实现视频理解

TOPA: Extending Large Language Models for Video Understanding via Text-Only Pre-Alignment

针对视频理解中语言监督效率低的问题，提出TOPA纯文本预对齐方法，通过生成文本视频预对齐LLM，无需真实视频预训练即可在Egoschema基准上取得51.0%的Top-1准确率，性能优于传统预训练方法。

涌现对齐与伦理人格的可投射性

Emergent alignment and the projectability of ethical personas

研究微调大语言模型在窄任务上如何引发广泛对齐行为，通过宪法AI方法赋予模型伦理人格，发现窄对齐可投射到未训练类别，并提出对齐策略应评估可投射性。

超越奖励黑客：用于大型语言模型对齐的因果奖励

Beyond Reward Hacking: Causal Rewards for Large Language Model Alignment

本文提出一种新颖的因果奖励建模方法，通过整合因果性并强制反事实不变性来缓解RLHF中的虚假相关性，有效消除多种偏差，从而实现更可靠、公平的大型语言模型对齐。

Vector-ICL：使用连续向量表示的上下文学习

Vector-ICL: In-context Learning with Continuous Vector Representations

本文提出 Vector-ICL，通过轻量级投影器将黑盒编码器产生的连续向量对齐到 LLM 嵌入空间，证明 LLM 可跨任务和模态进行向量上下文学习并取得优于少样本 ICL 等方法的效果。

BootPIG：在预训练扩散模型中自举零样本个性化图像生成能力

BootPIG: Bootstrapping Zero-shot Personalized Image Generation Capabilities in Pretrained Diffusion Models

本文提出 BootPIG 架构，通过独立 UNet 和合成数据训练，在约 1 小时内为预训练扩散模型赋予零样本个性化图像生成能力，效果优于现有零样本方法。

RDD：面向长时程任务中规划器对齐的基于检索的演示分解器

RDD: Retrieval-Based Demonstration Decomposer for Planner Alignment in Long-Horizon Tasks

针对长时程任务中启发式子任务分解与低层策略不匹配的问题，提出基于检索的演示分解器RDD，通过对齐视觉特征自动分解演示，在仿真和真实任务上超越现有方法。

VaPR——面向推理的视觉-语言偏好对齐

VaPR -- Vision-language Preference alignment for Reasoning

针对大视觉-语言模型偏好微调中合成标注存在风格与长度噪声的问题，提出基于LLM引导编辑的难负例生成框架，构建VaPR数据集微调多系列模型，在多个基准上实现显著推理性能提升，且框架可兼容开源LLM。

微调如你预训练：提升视觉语言模型零样本对抗鲁棒性

Finetune Like You Pretrain: Boosting Zero-shot Adversarial Robustness in Vision-language Models

本文提出AdvFLYP方法，通过遵循CLIP预训练过程的训练配方，利用网络上收集的图像-文本对生成对抗样本，并通过对比损失匹配文本，提升视觉语言模型的零样本对抗鲁棒性。

AlpaCare：用于医疗应用的指令微调大型语言模型

AlpaCare:Instruction-tuned Large Language Models for Medical Application

本文提出使用GPT-4和ChatGPT生成多样化医疗指令微调数据集MedInstruct-52k，并基于LLaMA微调出AlpaCare模型，在医疗和通用任务上均超越基线，并公开了数据与代码。

通过未掩码 Token 对齐增强视觉-语言模型

Enhancing Vision-Language Model with Unmasked Token Alignment

本文提出 UTA，通过将未掩码视觉 token 对齐到冻结 CLIP 视觉编码器来训练 ViT，高效增强视觉-语言表示，并在多个单模态与多模态基准上超过 MIM 方法。

会求助的机器人：面向大语言模型规划器的不确定性对齐

Robots That Ask For Help: Uncertainty Alignment for Large Language Model Planners

本文提出KnowNo框架，利用共形预测对齐大语言模型规划器的不确定性，使其在复杂多步任务中自知不足并适时求助，实验证明其优于基线，提升效率与自主性。

Reformatted Alignment（重格式化对齐）

Reformatted Alignment

针对大语言模型对齐微调数据质量提升成本高、易有幻觉错误的问题，本文提出ReAlign方法，通过重格式化指令数据回复提升对齐效果，在少数据、无额外训练技术的情况下显著提升模型多项能力。

Med-MoE：面向轻量级医学视觉-语言模型的领域专用专家混合框架

Med-MoE: Mixture of Domain-Specific Experts for Lightweight Medical Vision-Language Models

本文提出轻量级医学多模态框架 Med-MoE，通过多模态对齐、指令微调与领域专用专家混合，在 Med-VQA 和图像分类任务上以仅约 30%-50% 的激活参数达到领先性能。

面向多样化用户偏好的大语言模型算术控制：多目标奖励下的方向偏好对齐

Arithmetic Control of LLMs for Diverse User Preferences: Directional Preference Alignment with Multi-Objective Rewards

针对标量奖励RLHF难以捕捉多样用户偏好的问题，提出多目标奖励下的方向偏好对齐框架DPA，将偏好建模为奖励空间方向，结合偏好条件化RSF微调，实现LLM生成的算术式细粒度控制，在Mistral-7B上验证了有效性。

Diff2Flow：通过扩散模型对齐训练流匹配模型

Diff2Flow: Training Flow Matching Models via Diffusion Model Alignment

本文提出 Diff2Flow 框架，通过时间步重缩放、插值器对齐和速度场推导，将预训练扩散模型高效迁移到流匹配微调，在参数高效约束下优于现有方法。

匹配、扩展与改进：利用语言知识进行零样本动作识别的无监督微调

MAtch, eXpand and Improve: Unsupervised Finetuning for Zero-Shot Action Recognition with Language Knowledge

针对视觉-语言模型动词表征不足、零样本动作识别需额外调优的问题，提出无监督微调方法MAXI，利用无标注视频与动作词典，通过匹配、扩展、字幕构建文本袋并结合多示例学习适配模型，性能提升最高达14%，迁移性优于全监督基线。

跨抽象层级对齐机器与人类视觉表征

Aligning Machine and Human Visual Representations across Abstraction Levels

针对视觉模型与人类概念知识层级结构错位的问题，研究通过教师模型迁移人类对齐结构微调视觉基础模型，既提升了模型与人类行为的一致性，也增强了泛化与分布外鲁棒性。

用于少样本模型对齐的激活奖励模型

Activation Reward Models for Few-Shot Model Alignment

本文提出激活奖励模型（Activation RMs），利用激活引导以少样本方式构建奖励信号，无需微调即可超越现有方法，并在新基准 PreferenceHack 上有效缓解奖励黑客行为。