本研究解决了文本-语音语言模型（TSLMs）在跨模态知识转移中的限制，提出了通过模块化增强词汇扩展来对齐不同层次的抽象层，以改善特征组合性的问题。研究表明，我们的方法\textsc{SmolTolk}在计算资源显著减少的情况下，实现了或者超过了目前最先进的TSLMs的性能，提示该方法能够有效提升跨模态转移能力。

确定人类和人工智能之间的相似性和差异是机器学习和认知神经科学的重要目标。通过借鉴认知科学的最新发展，提出了一个通用框架，可在人类和深度神经网络中产生可比较的表示。深度神经网络模型应用于人类和自然图像揭示了低维度的嵌入，包括视觉和语义维度。与人类不同，深度神经网络显示出视觉特征优于语义特征的优势，表明图像表示策略存在分歧。人类和深度神经网络表示之间的直接比较表明它们在处理图像时存在重大差异。通过使表示直接可比较，结果揭示了表示对齐的重要挑战，为提高可比性提供了一种方法。