本研究提出了一种名为“μKE”的新型记忆更新机制，旨在解决大型语言模型因静态训练数据引发的幻觉和安全风险问题。该机制通过套娃式目标和自适应损失系数提升了编辑效率，实验证明效率提高了12.33%。

本研究提出了一种新颖的马特里俄罗斯套娃量化技术，解决了低精度量化模型在质量与计算成本之间的权衡问题。该方法支持在单一模型中实现不同精度的量化，使得int2精度模型的准确率提高高达10%。

本研究提出了马特ryoshka重排序器架构，旨在解决大语言模型在计算带宽限制下的灵活调整问题。该架构支持用户自定义模型层和序列长度，并通过级联自蒸馏和分解补偿机制显著提升重排序性能，展现出良好的适应性和效果保持。

运用 Matryoshka Query Transformer (MQT) 模型及变长的嵌入方式，实现图像编码成可调根数的视觉令牌，并通过组合 MQT 与 LLaVA 模型，在保持类似性能的同时，大幅减少了推理时所需的视觉令牌数量。