HSplitLoRA框架通过结合分割学习和低秩适配技术，解决了大语言模型在异构计算资源下微调的高成本和资源不平衡问题。该框架动态配置LoRA适配器的分解秩，优化模型分割点，显著提升微调效率和准确性。实验结果表明，其在训练精度和收敛速度上优于现有基准。

本研究提出了一种新方法“路由混合模型（MoR）”，通过整合专家混合理念，优化低秩适配（LoRA）在大型模型微调中的性能，平均提升1%。

本研究提出了BrainWavLM模型，通过低秩适配微调WavLM编码模型，提升了对语言刺激反应的预测能力，增强了语音刺激的语义表示，展现出更高的编码性能和稳定性。

本文提出了一种新方法，通过量化低秩适配(QLoRA)对4GB显存系统进行阿拉伯语言处理的Qwen2-1.5B模型微调，解决了阿拉伯自然语言处理中的形态复杂性和方言变异问题。实验结果表明，该模型在文本分类、问答和方言识别等任务上性能显著提升，最终损失收敛至0.1083，为低资源语言适配和大规模语言模型的高效微调提供了重要贡献。

本研究通过低秩适配（LoRA）技术改进鸟瞰图（BEV）表示，增强了其在环境变化和故障下的鲁棒性。实验结果表明，该方法在参数更少、训练更快的情况下，显著提升了BEV感知效果。

本研究提出了GaLore和LQ-LoRA等高效微调和量化方法，旨在降低大型语言模型的内存使用，同时保持性能。通过低秩适配和量化技术，优化了模型训练过程，展示了在消费级GPU上进行大规模模型预训练的可行性。这些方法在不同任务中表现优异，有效应对了计算和存储需求增加的挑战。

本文综述大语言模型在多语言机器翻译中的优势与挑战，评估XGLM、OPT、BLOOMZ、ChatGPT等模型在102种语言上的性能，并探讨上下文学习、低秩适配微调、文档级翻译及语义歧义消解等改进方法。研究还发现，通用大模型在法律领域表现不及专用小模型，凸显领域专业知识的重要性。

本文综述大语言模型在机器翻译领域的多项进展：提出ALMA微调方法并在WMT测试集上显著提升性能；采用对比式后训练（SLiC、DPO）进行人类偏好对齐，改善Orca等模型表现；探索上下文学习以实现实时自适应翻译；用混合策略解决同传训练与推理不匹配问题；系统评估多语言翻译能力；研究文档级翻译适配；利用GPT-4等模型进行跨语言数据增强；提出XConST提升零样本翻译；用偏好损失框架开展翻译教学；结合低秩适配器改进翻译与自动后编辑。

本文综述大语言模型在文档级机器翻译中的适应与性能，涵盖提示策略、精细调优、低秩适配、同传翻译及多语种迁移等研究。部分专用模型性能可超GPT-4，文档级上下文建模与整体翻译优于逐句翻译，但仍存在关键错误与偏离翻译问题。