本研究提出了名为AnywhereDoor的创新方法，解决了单目标后门攻击在动态推理中的适应性问题。该方法通过目标分离、触发马赛克和策略批处理，实现了多目标后门攻击，成功率提高了26%。

清华大学研究团队提出的DeeR-VLA框架能够将大语言模型的计算和内存开销降低4-6倍，有效解决机器人多模态模型的高资源消耗问题。该框架通过动态推理机制，根据任务复杂度智能调节计算深度，显著提高计算效率和任务成功率。

本文提出了多种优化深度神经网络的方法，包括基于门控机制的结构、动态推理框架、资源效率技术和动态传感器选择。这些方法在处理传感器噪声、降低计算资源消耗和提高预测精度方面表现出色，适用于嵌入式设备和无线传感器网络，推动智能设备的实时数据处理应用。

该研究提出了多种新方法以提升大型语言模型（LLMs）的推理能力，包括Self-Polish、StrategyLLM和AlphaLLM。这些方法显著提高了Few-Shot学习和推理性能，特别是在数学和常识推理任务上表现优异，降低了推理成本并增强了小型模型的能力，展现出良好的应用潜力。

本文提出了统一的时空扩散模型（USTD），通过结合条件信息和共享时空模式，提升了预测和不确定性估计的性能。同时介绍了USTGCN和TimeGraphs等模型，展示了它们在交通预测和动态推理任务中的优势。

本研究评估了基于Transformer的语言模型在代码补全中的表现，提出了多任务学习和动态推理方法以提高准确性和效率。结果表明，使用真实代码训练的模型在补全任务中显著优于传统方法，提升了程序员的使用体验。

本研究提出了EENet框架，通过多目标学习优化深度神经网络的早期退出策略，以提高推理性能并降低计算成本。研究还探讨了动态推理方法和Exit Predictor机制在边缘计算中的应用，显示出在不同带宽条件下推理准确性的提升。