本研究指出，音乐生成模型在全球音乐流派和文化覆盖方面存在不足，仅5.7%的数据来自非西方流派。实验表明，参数高效微调技术能有效缓解这一偏差，强调设计更公平的跨文化音乐语言模型的必要性。

本研究提出了AlphaTuning方法，结合后训练量化与定向任务的精细调整，通过二进制编码量化和参数调整，在11种下游任务中实现高效微调。研究发现，分词器选择对多语言模型性能影响显著，使用英语分词器会导致性能下降和高成本。参数高效微调能提升低资源语言的性能，但可能对高资源语言产生负面影响。

本研究介绍了一种通过共享低秩适应的方式来优化预训练语言模型的参数微调方法，减少训练参数数量和内存使用。ShareLoRA在多种模型上保持了性能，并展现了迁移学习能力和减轻过拟合的效果。该研究证明了ShareLoRA在提升参数效率和保证性能方面的有效性。

本研究介绍了一种通过共享低秩适应的方式来优化预训练语言模型的参数微调方法。通过在不同层级上部署ShareLoRA并调整self-attention层的组件，实现了训练参数数量和内存使用的减少。ShareLoRA在多种模型上保持了性能，并展现了迁移学习能力和减轻过拟合的效果。发现表明，ShareLoRA能够提高参数效率并保证性能。

上海交通大学研究团队开发了一种名为FSFP的训练策略，可在数据匮乏情况下优化蛋白质语言模型。该方法利用元迁移学习、排序学习和参数微调，提高了蛋白质突变-性质预测的效果。研究结果发表在Nature Communications上。该研究还使用FSFP设计了Phi29 DNA聚合酶，提高了阳性率。该方法在小样本学习任务中具有显著优势，并在多个基础模型上成功应用。

介绍了基于词汇定义的语义方法，建立了固定的参考框架，实现了绝对语义分析。该方法在检索增强生成和参数微调方面超越了最先进的方法，展示了其功效和广泛适用性。