本研究提出了一种数学模型，表明AI代理在长时间任务中的成功率随着任务长度呈指数下降，原因在于长任务由多个子任务组成，任何子任务的失败都会导致整体失败。

本研究提出了一种子任务导向强化微调（SoRFT）方法，以解决主流问题解决框架中的高成本和隐私问题。通过结构化子任务和强化学习，SoRFT显著提高了问题解决性能和模型的泛化能力。

为了实现人工智能目标，强化学习需要使用抽象状态和时间模型进行规划。本文提出了一种新方法，通过原始奖励和基于状态特征的奖励生成子任务，解决了以往研究的不足。结果表明，该方法在规划中更有效，并适用于在线和非策略学习。最后，展示了如何用通用价值函数统一算法，整合学习价值、策略、选项和模型。

本研究提出了一种“视觉临时记事本”方法，通过将复杂任务分解为简单子任务，提升现代视觉模型在全球推理任务中的效率，并展示了其在一般化能力上的优势。

在初创公司中，管理Jira子任务常常繁琐。为解决这个问题，作者开发了一个命令行工具，自动更新已完成的子任务状态，提高效率，减轻PM负担。

我们提出了一种将旅行社任务划分为多个子任务的方法，以降低人类对话者负担并高效规划行程。我们的系统在2023年对话机器人比赛预赛中成功，并报告了比赛中的挑战。

我们提出了一种将旅行社任务划分为多个子任务的方法，以降低人类对话者负担并高效规划行程。我们的系统在2023年对话机器人比赛预赛中成功，并报告了比赛中的挑战。

本文是人体运动生成领域的首篇综述，介绍了人体运动和生成模型的背景，审查了三个主流子任务的代表方法，概述了数据集和评估指标，并讨论了开放问题和未来研究方向。

该综述研究了基于自动机器学习的自动数据增强技术，比较了不同方法和子任务，并发现AutoML方法在数据增强方面的性能优于传统方法。

我们研究了Transformer语言模型在学习离散算法方面的能力。发现最先进的Transformer语言模型在组合能力上有限，效果不如重新学习所有子任务。同时证明了记忆前馈模型上的梯度下降可能在数据效率上指数级低效。

该研究旨在将复杂的文本到 SQL 任务分解为较小的子任务，以提高大型语言模型在推理过程中的性能。实验结果表明，该方法显著提高了性能，并使准确性接近最先进水平。