背景：Apple公司研究里大模型在手机端的推理加速问题 https://aclanthology.org/2024.acl-long.678.pdf 主要挑战：主存空间小，需要将大模型存放在闪存中，按需交换到主存中，但传输速度慢成为主要瓶颈 研究思路

目标：用大模型学习工具检索和执行，避免复杂的MCP定义和操作 https://arxiv.org/pdf/2410.03439 方法： 1. 将执行工具标注为一个token 2. 大模型学习生成概率：已知工具描述，生成token 3. 大模型学习检索

论文标题】CrossKD: Cross-Head Knowledge Distillation for Object Detection 【论文单位】 南开大学 【论文出处】 CVPR 2024 【技术亮点】✨ CrossKD技术，一种新颖的目标检测

📚 论文标题：Improving Knowledge Distillation Under Unknown Covariate Shift Through Confidence-Guided Data Augmentation 🔗 Arxiv I

学习-使用-评估 (LUA) 框架 该研究采用了学习-使用-评估 (LUA) 框架来分析人类与生成性人工智能 (GenAI) 的共创过程： * 学习：用户如何获得 GenAI 能力，包括理解概念、获取工具和开发相关技能。 * 使用：用户如何将 Gen

📚 论文标题：Reinforced Internal-External Knowledge Synergistic Reasoning for Efficient Adaptive Search Agent 🔗 Arxiv ID：2505.075

【论文标题】De-confounded Data-free Knowledge Distillation for Handling Distribution Shifts 【论文单位】复旦大学 【论文出处】CVPR 2024 【技术亮点】✨ 本研究提

【论文标题】FreeKD: Knowledge Distillation via Semantic Frequency Prompt 【论文出处】CVPR 2024 【技术亮点】✨ FreeKD是一种新颖的知识蒸馏方法，它通过语义频率提示（Seman

[ICLR 2025] STAMP: Scalable Task- And Model-agnostic Heterogeneous Collaborative Perception 一个可扩展，与任务和模型无关的，异构协同感知框架 项目网站：htt

《Towards Harnessing the Collaborative Power of Large and Small Models for Domain Tasks》 ⛽ 背景介绍： 大型语言模型（LLMs）虽然展现了卓越的能力，但需要大量的

JBR| AI与知识共享如何驱动组织创新与绩效 1️⃣研究背景 过去十年人工智能推动了组织流程和绩效的革新。尽管AI技术提升了效率与生产力，但现有知识与新知识的整合不足，导致AI难以识别业务流程冗余并优化资源分配。组织在竞争、技术迭代和社会快速变化中

❗️介绍❗️ GPT-2于2019年2月发布，相较于GPT-1，GPT-2是一个泛化能力更强的语言模型，具有一定的通用性。GPT-2的通用性体现在可以应用到多种任务场景中，且不需要经过专门的训练。相较于GPT-1，GPT-2可以通过对大规模数据的预训

https://bbs.csdn.net/topics/604167112

https://bbs.csdn.net/topics/606873890