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。

视觉语言模型（VLM）在细粒度视觉语言理解方面仍存在挑战。我们提出了一种渐进式流水线和基准测试SPEC，发现四个领先的VLM在该测试中的表现接近随机猜测。我们的方法显著提升了VLM在细粒度理解上的性能，并在其他基准测试中验证了其可迁移性。

本研究提出了一种新方法，通过逆值学习模型化后训练中的logits变化，以解决计算需求和实施挑战。结果表明，值网络能够与其他预训练模型结合，提高模型性能，并实现广泛的可迁移性。

视觉语言模型（VLM）在细粒度视觉语言理解方面仍存在挑战。我们提出了一种渐进式流水线和基准测试SPEC，发现四个领先的VLM表现接近随机猜测。我们的方法显著提升了VLM在细粒度理解上的性能，并验证了其在其他基准测试中的可迁移性。

本研究提出一种新方法，通过上下文学习估算任务间的可迁移性，解决大规模基准评估大语言模型时的复杂性问题。该方法在不需要训练和梯度计算的情况下，将任务数量减少到原基准的5%，显著节省时间和资源。

视觉语言模型在细粒度概念理解上有挑战。研究者提出渐进式方法，合成图像并设计SPEC基准测试，发现现有模型表现接近随机。提出的优化方法显著提升了模型性能，并在其他测试中验证了可迁移性。

本文评估了FLAIR模型在眼底图像分类中的可迁移性，结果显示使用FLAIR模型进行迁移可获得2.5%的性能增益。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。FLAIR等基础模型将推动基于深度学习的眼底图像分析的发展。

研究者提出了一种渐进式流水线和基准测试SPEC来评估视觉语言模型在细粒度的视觉语言概念理解方面的能力。发现四个领先的模型在SPEC上表现接近随机猜测，揭示了局限性。研究者提出了一种简单有效的方法来优化模型的性能，并在其他基准测试上验证了方法的可迁移性。

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。

研究者提出了一种渐进式流水线和基准测试SPEC来评估视觉语言模型在细粒度的视觉语言概念理解方面的能力。发现四个领先的模型在SPEC上表现接近随机猜测，揭示了局限性。研究者提出了一种简单有效的方法来优化模型的性能，改善了SPEC的结果。其他基准测试结果也验证了该方法的可迁移性。

本文研究了以持续预训练（CPT）构建新语言的大型语言模型（LLMs），通过40个模型规模的并行实验表明CPT能够快速收敛并节省大量计算资源，为规模化LLMs的可迁移性提供深入见解。

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。

本文评估了FLAIR模型在眼底图像分类中的可迁移性，结果显示使用FLAIR模型可以获得2.5%的性能增益。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。FLAIR等基础模型将推动眼底图像分析的发展。

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在训练成本上没有明显增加的方法。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。综合比较了多种参数高效微调方法，揭示了在少样本自然语言生成任务中某些方法在挑战性数据集上可能存在困难。

该文章提出了一个统一的点云视频自监督学习框架，用于处理面向对象和面向场景的数据。通过对比学习和超点的语义对齐，该方法能够捕捉到细粒度语义，并解决动态点云时间维度的高冗余性问题。实验证明该方法在各种下游任务上优于有监督对应方法，并具有卓越的可迁移性。

我们提出了一种名为LESS的算法，用于估计数据影响并执行低秩梯度相似性搜索。实验表明，使用LESS选中的5%的数据进行训练通常优于全数据集的训练。所选数据具有高度可迁移性。该方法能够识别出在预期的下游应用中体现必要推理技能的数据。

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。