腾讯混元团队提出的MixGRPO框架结合了SDE与ODE采样，显著提升了图像生成的效率和性能，训练时间减少近50%。MixGRPO-Flash进一步将训练时间降低71%，在多个维度上优于DanceGRPO，推动了图像生成技术的发展。

本研究提出了一种高效的迭代数据选择框架LEAD，旨在降低计算开销。LEAD通过准确估计样本效用，消除额外的模型推理需求，从而显著提升模型性能并缩短训练时间。

本研究提出了 exttt{Latent-CFM}方法，解决了流匹配模型在高维数据集中的学习效率问题，通过预训练深度潜变量模型整合多模态数据，显著提高生成质量并减少约50%的训练时间。

本研究提出了一种创新的通信方案，针对边缘网络中分散式联邦学习的性能挑战，解决了多跳带宽受限的问题。该算法将训练时间缩短超过80%，提高了计算效率并保持了准确性。

本研究探讨教师模型选择对学生模型性能的影响，提出了一种组合启发式提炼多层感知器（EHDM），在十个数据集上平均提升了7.93%的性能，训练时间减少了1.95至3.32倍。

本研究提出了Swift4D方法，旨在解决动态场景重建中的存储和训练时间问题。通过分离静态与动态元素，并采用多分辨率4D哈希映射，显著提升了渲染质量，训练速度提高了20倍，存储需求仅为30MB。

本研究提出了一种新方法，通过并行训练状态空间模型，加速基于模型的强化学习。在真实世界的四旋翼飞行任务中，该方法将训练时间减少最多10倍，整体训练时间减少最多4倍，同时保持样本效率和任务奖励。

本研究提出了Llasa框架，解决了基于大语言模型的文本到语音系统在训练和推理阶段的计算能力扩展问题。实验结果表明，延长训练时间可以显著提升合成语音的自然性、复杂性和情感表现。

本研究提出了一种基于大型语言模型的数据质量提升方法（DQE），旨在提高文本分类的准确率。通过贪婪算法选择样本进行微调，并对未采样数据进行预测，成功将错误分类的数据分为不可发现、困难和嘈杂的数据。实验结果表明，该方法显著提升了模型性能，并节省了近一半的训练时间。

卡内基梅隆大学提出的Run-Length Tokenization（RLT）方法通过合并重复图像块，显著提高视频生成模型的训练和推理速度，训练时间减少30%，推理时间减少67%，且精度损失极小，特别适用于高帧率和长视频。

本研究提出混合变换器（MoT）模型，旨在解决大规模多模态模型训练中的计算资源和数据集规模问题。MoT通过解耦非嵌入参数，提高处理效率，显著降低预训练计算成本，同时保持与密集模型相当的性能，缩短训练时间，展现出实际应用潜力。

本研究提出了一种新颖的激活稀疏性度量标准PPL-$p\%$，并通过实验揭示了不同激活函数在训练时间和稀疏性方面的显著差异，为提升大型语言模型的效率和可解释性提供了依据。

本研究提出了一种FedPID方法，旨在优化联邦学习中的聚合策略，通过引入PID控制器的积分部分，提高聚合性能并有效控制训练时间。

本研究提出了“注意力图流”（AM Flow）方法，旨在解决视频分类中的预训练和长时间训练问题。通过引入时间处理单元，提升了动作识别的表现，并显著缩短了训练时间。AM流有效分离了空间与时间处理，取得了先进的结果。

该研究提出了一种两阶段框架，结合文本反演网络和模态-任务双重对齐，以解决复合图像检索中的高成本和零-shot能力不足的问题。实验结果表明，该方法在多个基准上表现优异，同时降低了训练时间和计算成本。

本研究提出了一种多智能体框架，解决了代理间沟通不足的问题。实验结果表明，该框架在效率和训练时间上优于现有算法。