本研究提出了TreeHop方法，以提高多跳问题回答中的信息合成效率。该方法通过动态更新查询嵌入，消除了传统查询重写的需求。实验结果表明，TreeHop在多个数据集上的表现与先进方法相当，但模型参数仅为其5%-0.4%，查询延迟减少约99%，显示出在知识密集型应用中的潜力。

本研究提出了一种整合语言类别嵌入和查询嵌入的方法，以解决多数据集图像分割中的语义不一致问题。实验结果表明，该方法在语义分割、全景分割和实例分割方面优于以往技术，显著提升了处理不一致标签的性能。

本文介绍了CenterFormer，一种基于中心点的变换网络，使用查询嵌入聚合中心候选点的特征向量，并通过交叉注意力融合多帧特征。在Waymo Open数据集上，CenterFormer在单个模型上取得了73.7%的验证集和75.6%的测试集mAPH，明显优于以前的CNN和transformer方法。

本文介绍了一种名为CenterFormer的基于中心点的变换网络，使用查询嵌入聚合中心候选点特征向量，并通过交叉注意力融合多帧特征。在Waymo Open数据集上，CenterFormer在单个模型上取得了73.7%的验证集和75.6%的测试集mAPH，明显优于以前所有基于CNN和transformer的方法。