本文介绍了一种新的无线资源管理方法：低秩消息传递图神经网络（LR-MPGNN），通过低秩逼近技术减小了模型尺寸和参数个数。评估结果显示，LR-MPGNN模型的尺寸减小了60倍，参数个数减少了98%，并展示了良好的鲁棒性。

本文介绍了一种针对无线资源管理的新方法：低秩消息传递图神经网络（LR-MPGNN），该模型尺寸减小了60倍，参数个数减少了98%。在性能方面，LR-MPGNN模型表现出很好的鲁棒性，规范加权和速率仅降低了2%。

本文介绍了一种名为“Distilling step-by-step”的新机制，通过提取LLM rationales作为小型模型的附加监督来训练比LLM更小且表现更好的模型。该机制使用更少的标注/非标注训练样例实现更好的性能，并且使用明显更小的模型尺寸实现更好的性能。

ToolEyes是一个用于评估大型语言模型在真实场景中工具学习能力的系统。通过细致检查七个现实场景，分析了LLMs在工具学习中的五个关键方面。评估结果显示，LLMs对特定场景有偏好，工具学习认知能力有限。模型尺寸的扩大加剧了对工具学习的阻碍。这些发现对推动工具学习领域具有重要意义。

本文提出了一种新的可衡量的标准来评估自动补全模型架构，发现现有的单词级自动补全模型无法满足此标准。作者提出了一种有效的方法来提高WLAC性能，同时利用较小的模型尺寸。

本文提出了一种简化 NeRF 表示方法，使用容积渲染公式和空间映射提升点云渲染质量。同时，使用射线行进法对原始点云进行矫正，避免空间频率崩溃和邻域点干扰。该方法在点云渲染方面取得了最先进的性能，使用更小的模型尺寸优于之前的研究。

该研究提出了一种名为MMVP的双流视频预测框架，通过分离运动和外观信息，提高了视频预测的准确性和效率，并减小了模型尺寸。实验证明，MMVP在公共数据集上以小得多的模型尺寸显著优于现有系统。