本研究提出了一种无训练方法RoPECraft，解决了视频动作转移中的训练需求限制。实验结果表明，RoPECraft在视频生成质量和量化指标上优于所有新方法，展现了其独特的有效性。

本研究提出了一种无训练的冲突感知任务合并（CAT合并）方法，旨在解决多任务模型合并中的知识冲突问题。通过剔除冲突组件，CAT合并在视觉、语言和视觉-语言任务上有效提升了准确率，平均提高2.5%和2.0%。

本研究提出了Persona-judge范式，解决个性化对齐语言模型的计算成本和适应性问题。该方法在未见偏好的情况下实现无训练的个性化对齐，实验表明其是一种可扩展且高效的解决方案，推动了定制对齐的发展。

本研究提出了一种无训练的视频动作定位方法VideoGEM，利用预训练的图像和视频语言模型，通过动态调整层权重，分别处理动作、动词和对象提示，显著提高了动作定位精度，超越了现有最佳方法。

本文提出了一种基于雷诺传输定理的雷诺流方法，克服了传统光流估计在复杂场景中的局限，尤其是在亮度一致性和慢速运动假设方面。该方法实现了无训练的流动估计，并在多个视频基准测试中展现出优异的鲁棒性和效率。

本研究提出了一种名为视觉模型伺服（SVM）的无训练闭环框架，成功解决了日常移动操作中小型物体的精确交互问题，成功率达到85%，优于现有方法。

研究团队开发了Enhance-A-Video算法，通过调整时间注意力层参数，显著提升视频生成的细节和连贯性。该算法无需训练，兼容多种视频生成模型，广泛应用于多个框架，解决了时序不一致和细节模糊问题。

本研究提出了一种无训练的多提示视频生成方法DiTCtrl，解决了现有模型在数据需求和提示跟随能力上的不足。实验结果表明，该方法在无需额外训练的情况下实现了先进性能。

本文提出了一种无训练的流扩散求解器，解决了流扩散模型在生成任务中因常微分方程求解器速度慢导致的效率低下问题。该方法通过利用先前步骤的结果，减少函数评估次数，从而显著提高生成速度和质量。实验结果验证了其在多个数据集上的有效性。

本文介绍了无训练的3D少样本分割网络TFS3D及其变种TFS3D-T，通过三角函数位置编码提取密集表示，缓解领域差异问题并节省时间。实验结果表明，TFS3D-T在S3DIS和ScanNet上性能优于最先进方法，训练时间减少了90%。