通过深度学习和大型语言模型的对抗训练方法，引入了以环境为背景的对抗性游戏(ICAG)，以防御越狱攻击。ICAG通过迭代过程提升防御和攻击代理的能力，降低了新生成的越狱提示对LLMs的成功攻击率，展现了对其他LLMs的可转移能力。

通过自监督预训练的方法，使用I2P-MAE从2D预训练模型中获得优秀的3D表示。引入了两种图像到点的学习方案，通过2D引导遮罩策略和多视角2D特征重构可见的点。在ModelNet40上，冻结的I2P-MAE达到了93.4％的线性SVM准确性。在ScanObjectNN上微调后，达到了90.11％的最新技术水平，比第二好的方法高3.68％，展示出优秀的可转移能力。

通过自监督预训练的方法，使用I2P-MAE从2D预训练模型中获取优秀的3D表示。在ModelNet40上冻结I2P-MAE达到93.4%的线性SVM准确性。在ScanObjectNN上微调后，达到90.11%的最新技术水平，比第二好的方法高3.68%。展示出优秀的可转移能力。