本研究提出了Med-TTT模型，解决医学图像分割中卷积神经网络和Transformer的计算复杂度及特征丢失问题。通过视觉-测试时间训练层，该模型以线性复杂度建模长程依赖，自适应调整参数，提高复杂背景下的分割能力，实验结果优异。

本文介绍了一种退火流（AF）模型，用于解决高维多模态分布采样问题。AF通过连续标准化流有效探索高维空间，确保样本和维度的线性复杂度。研究显示，AF在复杂分布和实际数据集上表现优异，能更准确估计概率分布的归一化常数和期望值。