本文研究了稀疏参数高效微调（SPEFT）方法，提出了一种基于梯度的显著性指标，结果表明其在计算效率和性能上优于动态掩蔽策略，而静态掩蔽在自然语言处理任务中表现更佳，为SPEFT提供了简单有效的基线。

本文讲述如何利用小型语言模型（SLMs）和LoRA适配器创建函数调用代理。通过分离推理和函数执行，SLMs在资源有限或低延迟环境中实现高效微调和执行，提升性能和速度。使用Salesforce/xlam-function-calling-60k数据集训练的模型，展示了构建高性能、低资源AI应用的方法，并可扩展至更大模型如LLaMA 3.1-8B。