本研究提出B-cos LMs方法，旨在提高预训练语言模型的可解释性。通过将模型转化为B-cos网络并结合任务微调，B-cos LMs在生成更强解释的同时，保持了与传统微调相当的性能，展现出广泛的应用潜力。

本研究提出FiRST算法，通过输入自适应层选择减少自回归大型语言模型在资源受限环境中的延迟，同时保持KV缓存兼容性，并通过任务导向微调提高特定任务的准确性，提升低资源环境下的部署效率。