本研究探讨了如何将多个二元目标标签整合为一致排名，分析了损失聚合与标签聚合两种方法。结果显示，尽管两者均可达到帕累托最优解，但标签聚合更优，避免了标签独裁现象，为实际应用提供了指导。

本研究探讨了通过回收不同训练轮次的模型检查点来优化多个任务训练的通用模型合并。研究表明，调整检查点权重的线性组合可以生成性能优于单个模型的帕累托最优模型，甚至表现不佳的检查点也能改善合并效果。

本研究提出了一种新颖的帕累托最优排序方法，用于有效比较多目标优化算法的性能，能够综合考虑多个性能指标，具有重要的科学和工程应用潜力。