本研究探讨大型语言模型在推理任务中的复杂性，基准化多种计算策略以优化解决方案生成和奖励机制。调整温度等策略显著提升了推理性能，为未来研究奠定基础。

本研究比较了多种求解有约束Lasso问题的计算策略，提出了适用于不同数据规模的建议，并发现一般化Lasso可转化为有约束Lasso。研究介绍了多种算法和框架，优化高维模型的拟合性能和计算效率，并展示了在稀疏解、CT图像重建及MRI子采样等领域的应用。

本研究提出了一种改进的计算策略和自适应运算符重新排序并缓存的方法，以提高图卷积网络（GCN）和图注意力（GAT）层的速度和节省内存。这些方法能够有效缓解大规模GNN模型训练中的性能瓶颈。