本研究提出了一种新方法（ATM），通过优化任务向量选择，提高多任务学习中的模型合并效率，计算机视觉和自然语言处理任务的准确率最高可提升20%。

本研究探讨了视觉-语言模型(VLM)的内部表示及任务表示方法，发现概念相似的任务在任务向量表示上具有相似性，且示例和指令驱动的任务向量组合能够产生更优的任务表示，揭示了模型的跨模态能力。

本文提出了一种基于任务向量的神经网络新范式，强调权重分离在任务算术中的有效性。研究表明，向量表示方法能提升类人智能的认知能力，并提出了高效的多任务学习方法ScaLearn，显著减少参数传递。此外，介绍了'SYN2REAL'任务向量，改善了语音识别领域的适应性，降低了词误差率。最后，探讨了多任务学习中的线性标量化与多目标优化的关系，揭示了SMTOs的潜力。