本文介绍了多种基于大型语言模型的推理方法，如CoT-ER、Verify-and-Edit和ECoT，旨在提升少样本关系提取和多模态推理的性能。这些方法在多个数据集上显著提高了准确度，尤其在情感生成和开放型问题回答任务中表现突出。

MobileLLM是一种强基线网络，通过设计深而瘦的体系结构以及嵌入共享和分组查询注意机制，在先前的最先进模型上获得了准确度提升。MobileLLM-LS模型进一步提升了准确度。MobileLLM模型系列在聊天基准测试中有显著提升，并在API调用任务中表现出接近LLaMA-v2 7B的正确性。

本研究提出了一种自适应工作负载分配方法，考虑边缘设备的节点异构性和应用特定的准确性和性能要求，以提高性能和准确度。测试结果表明，平均性能提升了41.52%，输出准确度提升了5.2%。