本研究提出了一种骨架感知潜在扩散模型（SALAD），旨在解决文本驱动运动生成中关节、时间帧和文本表示的简化问题，从而显著提高文本与运动的对齐能力。

本研究提出了一种低成本的无调优方法，通过重塑上下文学习示例来提高大型语言模型（LLM）的对齐能力。研究表明，该方法在多个任务上显著提升了模型的安全性和准确性。

本研究提出AdaCM$^2$方法，旨在提高视频理解模型在处理长视频时的效率。通过自适应跨模态记忆压缩，AdaCM$^2$增强了视频与文本的对齐能力，并显著降低了内存使用。实验结果表明，该方法在多个数据集上表现优异，特别是在LVU数据集中，任务表现提高4.5%，GPU内存消耗减少65%。