本研究提出了一种无训练的冲突感知任务合并（CAT合并）方法，旨在解决多任务模型合并中的知识冲突问题。通过剔除冲突组件，CAT合并在视觉、语言和视觉-语言任务上有效提升了准确率，平均提高2.5%和2.0%。

本研究探讨了如何无损合并多个计算机视觉任务的LoRA适配器，以构建多任务模型。结果显示，简单的合并技术在某些情况下优于传统微调方法。

通过构建多任务模型、保留高保真度的视频本机时空分词器，研究证明了多模态潜在空间设计的可行性，并提出了一种优于行业标准编解码器的视频本机时空分词器。可扩展视觉令牌表示法在生成、压缩和理解任务中表现出优势。研究为未来生成非文本数据、实现实时互动体验提供潜力。

本文提出了一种数据无关的知识融合方法，通过合并模型并引导最小化预测差异的权重，将不同训练数据集上的个别模型合并为一个模型，以在所有数据集领域都表现良好并可以推广到域外数据。该方法在电池评估中明显优于基线方法，并且可以在不访问训练数据的情况下保留或提高个别模型的性能。模型合并比训练多任务模型更高效，适用于更广泛的情况。

通过构建多任务模型和保留高保真度的视频本机时空分词器，研究证明了多模态潜在空间设计的可行性。提出了一种优于行业标准编解码器的视频本机时空分词器，实现了语言模型超越扩散模型的突破。可扩展视觉令牌表示法在生成、压缩和理解任务中表现出优势。研究为未来生成非文本数据、实现实时互动体验提供潜力。

本文提出了一种基于LSTM的多任务模型，用于增量检测口吃结构，并在Switchboard对话行为语料库上进行了训练和测试。结果显示，该模型在SWDA上表现优异，并具有很好的泛化潜力。该研究对于口吃的领域通用处理具有重要意义。

本文提出了一种基于LSTM的多任务模型，用于增量检测口吃结构。该模型在Switchboard对话行为语料库上训练，并在SWDA上表现优异。同时，在bAbI+数据集上评估结果显示该模型具有很好的泛化潜力。

本文提出了一种基于LSTM的多任务模型，用于增量检测口吃结构。该模型在Switchboard对话行为语料库上训练，并在SWDA上表现优异。同时，在bAbI+数据集上评估结果显示该模型具有很好的泛化潜力。

该研究提出了一种用于顺序推荐的多任务模型CL4SRec，通过提取用户行为序列中的有意义模式和编码用户表示，解决了数据稀疏性和参数优化问题，在四个公共数据集上取得了领先性能。

本文介绍了一种基于进化的技术，能够生成支持动态添加新任务的大规模多任务模型，并在69个公共图像分类任务上取得了有竞争力的结果，错误率降低了15%。