本研究探讨了多模态大规模语言模型在微调过程中的动态表示变化，揭示了微调如何调整模型结构以适应新任务，并提出了利用位移向量捕捉概念变化的方法，显示出在无训练情况下调整模型行为的潜力。

本研究通过递归神经网络的组合学习改进动态表示对齐指标，发现动态相似性分析在识别行为相关表示时具有更强的抗噪声能力，从而提升了对计算过程和网络学习任务的理解。

本文提出了一种基于风格条件的视频生成模型，其中引入了一种新颖的时态生成器，可以在不同的演员之间进行传递。通过时态 GAN 反演从一个内容或身份中提取和传递视频动作而无需进一步的预处理，如关键点。