本研究探讨了多智能体大语言模型系统中协作推理的有效结构设计，发现专业对齐依赖于特定领域，整合多样知识的协作优于刚性任务分解，为多智能体系统提供了具体指导。

本文综述边缘计算中深度学习推理的优化研究，涵盖计算卸载、模型剪枝、边缘-云端分区与特征编码、能量收割与多MEC卸载、联合边缘智能框架、Edgent协作推理、协作智能架构、混合DNN隐私保护及边缘设备能耗特征分析。

该文综述边缘智能中的深度神经网络优化研究，涵盖Edgent协作推理、SmartExchange算法硬件协同设计、DNNShifter模型修剪切换、CoEdge分布式计算及人机协同设计等框架，通过模型压缩、分区推理与资源调度，在精度与能耗、延迟间取得平衡，提升边缘设备实时推理效率。

本文综述移动与嵌入式平台深度神经网络推理优化研究，涵盖动态超网络实现算法与硬件协同的性能权衡（在Jetson Xavier NX上速度提升2.4倍或准确率提升5.1%）、分级资源管理器降低能耗与延迟，以及分布式DDNN、双重动态推理、DynO卸载框架、LC-Net全动态模型、GNNFlow图学习和JointDNN、Edgent协作推理等进展。