南京大学的研究揭示了工具使用智能体在开放世界中的泛化脆弱性，提出了四级分层偏移框架，分析了SFT和RL训练范式的结构性弱点，并提出PAFT方法，通过引入扰动增强微调，提升模型的鲁棒性和泛化能力。

本研究提出无提示性微调（PAFT）方法，旨在解决大语言模型在微调过程中对提示变化的敏感性。PAFT通过动态调整提示，提升模型的鲁棒性和泛化能力，尤其在面对未见提示时表现更佳。

本文探讨了偏好的参数高效微调（PEFT）方法在大型语言模型中的应用，强调其在内存和计算资源限制下的优势。研究表明，适配器模块与微调策略结合能有效提升低资源文本分类性能，并在多任务中实现与大型模型相媲美的效果。实验证明，PEFT方法在多语言适应和长上下文处理上表现出色，推动了该领域的研究进展。