卡内基梅隆大学与国际金融管理学院的研究提出了SR2AM架构，将大语言模型的决策过程分为三个系统，显著提升了30B参数模型的性能，达到685B至1T参数级别，同时减少了25.8%至95.3%的token消耗。该架构通过自我调节模块优化了规划与执行的平衡，提高了效率与准确性，实验结果表明SR2AM在不同规模模型上均有效，能够动态分配计算资源。

AsymFormer是一种用于实时RGB-D语义分割的新型网络，通过优化计算资源分配和引入非对称骨干网络，实现了多模态特征的有效融合。通过重新定义特征选择和提取多模态自相似特征，同时不增加参数数量，以确保在机器人平台上实时执行。在NYUv2和SUNRGBD数据集上评估，AsymFormer在准确度和效率方面取得了平衡。

AsymFormer是一种新型网络，用于实时RGB-D语义分割。该网络通过优化计算资源分配和引入非对称骨干网络，最小化冗余参数，以实现多模态特征的有效融合。使用局部关注引导特征选择（LAFS）模块，通过利用不同模态之间的依赖关系选择性地融合特征。在NYUv2和SUNRGBD数据集上评估该方法，AsymFormer在NYUv2上实现了52.0％的mIoU，在SUNRGBD上实现了49.1％的mIoU。在RTX3090上实现65 FPS的推理速度，在实施混合精度量化后，达到了79 FPS的推理速度。

本文提出了一种名为AsymFormer的新型网络，用于实现实时RGB-D语义分割。该网络通过优化计算资源分配和引入非对称骨干网络，对冗余参数进行了最小化，以实现多模态特征的有效融合。在NYUv2和SUNRGBD数据集上评估该方法，AsymFormer在NYUv2上实现了52.0％的mIoU，在SUNRGBD上实现了49.1％的mIoU。在RTX3090上实现了65 FPS的推理速度，在实施混合精度量化后，达到了令人印象深刻的79 FPS的推理速度。