本研究提出了一种基于A*搜索算法的解码推理策略，优化了固定计算预算的利用。实验结果表明，该方法在保持大模型性能的同时，令牌使用量减少了3倍，计算通行次数减少30%，展示了结构化搜索在推理中的优势。

该文介绍了一种名为NAS-NeRF的神经架构搜索策略，可动态优化NeRF架构以在计算预算和最小合成质量的约束条件下权衡复杂度和性能。实验结果表明，NAS-NeRF相比基准NeRF可生成的架构规模减小5.74倍，FLOPs减少4.19倍，在GPU上速度提升1.93倍，结构相似性下降仅5.3%。

本文提出了一种用于在线连续学习问题的简单算法，采用kNN分类器和通用预先训练的特征提取器。该算法能够在小的计算预算下紧凑存储和利用整个数据流，减少过往数据的遗忘并快速适应变化的数据流。在CLOC和CGLM两个大规模OCL数据集上取得了最新的技术水平。