本研究提出了一种动态压缩提示（LLM-DCP）的方法，旨在降低大型语言模型推理中的计算成本和性能限制。该方法有效减少了提示标记数量，同时保持模型性能，实验结果表明其在高压缩率下优于现有技术，具有良好的应用潜力。

该研究提出了一种基于优化快速字典学习算法的新型模型压缩方法DirNet，能在资源受限的移动设备上实现高压缩率而几乎没有准确性损失。实验结果表明该方法在语言模型和ASR模型上比之前的方法更优越。