本研究提出C3oT压缩框架，解决链式思维过长导致的高解码成本问题。通过训练长短CoT，实验结果显示生成的CoT长度缩短超过50%，且有效性未降低，具有实际应用潜力。

本文介绍了一种新的神经网络压缩框架，利用简洁再参数化和噪声稳定性来估计神经网络的泛化性能。研究表明，模型压缩能够提升泛化能力，并提供新的泛化误差界限。通过低秩分解和互信息分析，提出了有效的压缩方法，并在多种网络和数据集上展示了其优越性。此外，研究还探讨了无标签学习和统计监督学习算法的泛化误差界限，提出了基于Loss Gradient Gaussian Width的泛化保证方法。

本文提出了一种新的深度神经网络压缩框架，利用OPO和OTO技术，通过结构稀疏优化和新算法HSPG，实现高效模型剪枝，显著降低计算成本，同时保持准确性。研究展示了在多个数据集上取得的先进性能。

LightHuBERT是一种基于Transformer的压缩框架，可以自动找到所需的结构，成功地将嵌套数千个共享权重子网的基于Transformer的超网进行了设计。在ASR和五个SUPERB任务上，LightHuBERT表现优于原始的HuBERT，并在三个SUPERB任务中具有3.5倍的压缩比。同时，它可以实现29％的参数减少，并提供代码和预训练模型。