本研究探讨了小型语言模型在创伤后应激障碍（PTSD）患者中的同理对话能力，结果显示经过微调的模型在同理心表现上显著提升，但效果因场景和用户差异而异，强调设计需考虑用户的上下文。

本研究推出基准EasyMath，旨在提升小型语言模型的数学推理能力，涵盖十三类问题。测试结果表明，模型规模和训练程度均能提高准确性，链式思维有助于提升表现，而一致性在模型规模增大时显著改善。

本研究提出了一种创新方法，通过学习器范式有效回收和重用小型语言模型。实验结果显示，该系统在财务和医疗领域显著优于传统大型语言模型，展现了其在特定领域的应用潜力。

本研究旨在解决小型语言模型在临床环境中适应性不足的问题，提出了一种新颖的框架来提升其性能。通过预指令调优、模型合并与临床任务对齐，研究开发了MediPhi模型集合，并通过与基线模型的对比，实现在医疗实体、放射学报告及ICD-10编码等任务上显著提高性能，显示出合成数据在临床应用中的潜力。

本研究质疑教育界对大型语言模型的过度关注，强调小型语言模型在资源有限机构中的潜力，特别是Phi-2在知识发现中的有效性，呼吁关注基于SLM的教育方法。

本研究提出了一种名为Sadeed的阿拉伯语标点语言模型，基于微调解码器，推动阿拉伯语自然语言处理的发展。

本研究解决了小型语言模型在上下文学习中的技能基础提示能力较弱的问题，提出了一种名为AdaptMI的自适应方法。该方法借鉴了人类教育学中的认知负荷理论，仅在模型表现不佳时引入技能基础示例，显著提高了小型语言模型在数学任务上的准确性，适用于多种基准测试，提升幅度可达6%。

本研究探讨了小型语言模型在函数调用任务中的有效性，结果显示微调后的小型模型性能优于零样本和少样本方法，但在输出格式遵循方面存在挑战，为边缘设备应用提供了重要见解。

本研究提出了一种新的集成贝叶斯推断(EBI)方法，旨在提升小型语言模型(SLM)的精确性，以便与大型语言模型(LLM)竞争。实验结果表明，EBI在多项任务中表现出色，尤其在负Lift值模型中，展现了其在构建高性能AI系统方面的潜力。

本研究微调了一个350百万参数的小型语言模型，以解决分析敏感代码时的隐私和推理成本问题。该模型在Python代码中检测MITRE前25个CWE，准确率接近99%，展现了作为高效、隐私保护的漏洞检测工具的潜力。

本研究解决了在大型语言模型应用中存在的数据隐私与资源限制问题，提出小型语言模型作为高效、可扩展的解决方案。论文通过分类框架对小型语言模型进行整理与分析，展示了其在医疗卫生中的创新应用及发展潜力，强调这些模型在数据处理和临床精确性上的变革性影响。

本研究探讨了大型语言模型在法律推理中的挑战，提出通过微调小型模型来优化推理的方法，结果表明领域特定的微调能够接近人类水平。

本研究提出RoSPrompt方法，旨在解决低资源语言的零样本分类数据依赖性问题，提升多语言模型的跨语言性能。实验结果显示，该方法在106种语言中表现优异。