字节与南洋理工大学的研究通过强化学习优化了多模态模型的搜索策略，实现按需搜索，减少了30%的搜索次数并提高了准确性。MMSearch-R1系统在视觉问答任务中表现出色，增强了模型自主获取信息的能力，为多模态智能体的发展奠定了基础。

本研究针对视觉上下文学习中寻找最优提示的高计算成本问题，提出了任务级提示方法及两种节省时间的搜索策略，实验结果表明可以以最小成本识别接近最优的提示。

本研究提出了一种新颖的自动生成搜索策略的启发式方法GP2S，旨在提高分支限界法的搜索效率。研究结果表明，该方法在解决整数规划问题时优于标准SCIP求解器，平均加速比达到11.3%。

本研究提出了一种基于强化学习的搜索策略，用于在标准模型之外探索新物理。研究结果显示，该方法能够有效地识别味道轴子模型中的150多个现实解，并评估未来实验对轴子的探测敏感性。相较于传统优化方法，该方法具有优势。

本研究提出了评估机器翻译模型中数据不确定性的工具和度量方法，以及其对搜索策略的影响。结果显示搜索功能表现良好，但模型在概率质量上存在分散问题。同时，提出了评估模型校准的工具，并解决了当前模型的一些缺陷。