本研究提出InstructRAG方案，旨在解决增强检索生成（RAG）在复杂任务规划中的可扩展性和可迁移性问题。通过构建指令路径图和训练智能体，显著提升了任务规划性能，使适应新任务的能力提高了19.2%。

本研究探讨大型语言模型在不同语言中学习新知识的不平等现象，发现低资源语言在有效性、可迁移性、优先级和鲁棒性等方面普遍处于劣势，旨在提高对语言不平等的认识，推动更公平的LLMs发展。

本研究提出了一种通过逆值学习进行后训练的新方法，以应对计算需求和实施挑战。研究表明，经过小型基础模型训练的值网络能够与其他预训练模型无缝整合，显著提升模型性能和可迁移性。

本文研究了对抗样本的可迁移性，提出了通过集成对抗训练和多样化训练来增强模型鲁棒性的新方法。建立了TAA-Bench基准框架，以系统评估各种对抗性攻击方法，为未来研究提供参考。

本论文研究了基于Vision Transformer（ViT）的目标检测模型YOLOS的可迁移性。实验结果显示，YOLOS以纯sequence-to-sequence的方式完成目标检测，附加的归纳偏置最小。与DETR相比，YOLOS选择了仅编码器的Transformer架构，并使用预训练的ViT表达。实验结果表明，YOLOS在复杂的目标检测任务上具有竞争力的性能。

本文评估了FLAIR模型在眼底图像分类中的可迁移性，结果显示迁移性能增益为2.5%，微调整个网络时增加到4%。通过线性探测初始化分类器，可以避免特征退化，最佳地重用预训练特征。基于FLAIR等基础模型的眼底图像分析将得到推动。

该研究提出了一种名为DuaLossDef的预处理网络，用于对抗视觉目标跟踪中的对抗攻击。实验证明，DuaLossDef在对抗攻击场景下具有出色的防御鲁棒性，并且在迁移到其他跟踪器时具有可靠的可迁移性。

本文研究了参数高效微调方法和少样本自然语言生成，提出了一种超越传统方法且训练成本不增加的方法。通过中间实验证明了该方法在少样本场景中的卓越可迁移性，为数据不充足和计算有限的情况提供了解决方案。

本研究提出了一种ST-GraphRL方法，用于编码可学习的空间-时间依赖性到轨迹表示中。该方法在预测移动空间-时间分布和保持轨迹相似性方面优于基准模型，并能理解潜在空间-时间模式。同时，该方法具有可迁移性。

该文章介绍了一个点云视频自监督学习框架，通过预训练任务提高表示能力，并解决了动态点云时间维度的高冗余性问题。实验证明该方法在下游任务上优于有监督对应方法，具有可迁移性。

本研究提出了一种增强型自我监督表示学习方法，解决了对比学习中的假阳性匹配问题和重构学习中的上下文信息缺失问题。实验证明该方法在多个下游任务上优于全监督学习模型和最先进的自我监督学习方法，具有高泛化性和可迁移性。

本研究提出了一种结构保持转换（SPT）方法生成自然且多样化的对抗样本，具有高可迁移性。实验结果表明，该方法可以绕过强有力的对抗训练，并在攻击其他目标模型时表现自然。

研究者提出了一种新型对抗攻击方法NeRFTAP，通过引入样式一致性损失，提高了生成的对抗性人脸图像的有效性和自然性。实验证明该方法比现有攻击技术更优越，为提高人脸识别系统的稳健性提供了见解。

该研究使用预训练的CLIP模型进行云存在性检测，并测试了其在不同数据集和传感器类型之间的可迁移性。结果表明，CLIP在云存在性检测任务上表现出非平凡的性能，并具有跨感知模式和感知频带泛化的能力。研究还发现，微调阶段可以显著提高真阴性率。该模型学习的表示对涉及云的卫星图像处理任务具有用途。

该文介绍了基于分布式高斯过程的多智能体强化学习技术，结合深度学习的最新进展，能够在未知目标上规划和决策，解决传统方法所依赖的启发式问题。同时，在无人机群组上展示了应用性能和可迁移性。

该研究使用 UserGPT 训练了 RealChat 数据集，表现出极高的竞争力，并在 MT-Bench 中获得领先分数。该方法具有可扩展性和可迁移性，并探索了训练集数据质量与模型性能之间的相互作用。

本文提出了一种超越传统方法的参数高效微调和少样本自然语言生成方法，证明了其在少样本场景中的卓越可迁移性。文章比较了多种参数高效微调方法，揭示了在挑战性数据集上某些方法可能存在困难。该方法为数据不充足和计算有限的情况提供了解决方案。

研究人员使用贪婪和基于梯度的搜索技术相结合的方法，生成了一种对抗性攻击后缀，可以提高大语言模型产生肯定回应的概率，并生成恶意内容。该攻击后缀具有可迁移性，可以对黑盒和公开发布的大型语言模型进行攻击。研究者成功地将恶意内容引入多个语言模型，推动了对语言模型的对抗性攻击技术发展。