大模型与智能体

大模型推理受自回归解码顺序性限制，投机解码通过请求内并行验证多个token缓解瓶颈。

指出大模型能力提升后，控制其输出的能力愈发重要。

指出大模型的高成本阻碍其在大多数应用中部署。

指出强化学习依赖大量试错式主动数据采集，限制了其在现实中的应用。

研究多模态与生成模型（尤其是CLIP和文生图扩散模型）的可解释性与可控性。

指出构建智能系统需要在鲁棒性、适应性、准确性、安全性、可解释性和效率之间权衡。

针对语言模型生成文本的准确性与可信度问题，以及差分隐私中保证与效用的权衡。

扩散模型等物理启发生成模型训练稳定、容量大，但仍有改进空间。

指出识别与生成模型通常分开训练，忽视两者互补性。

指出现有视觉生成模型计算成本和延迟高，难以用于交互场景。

研究大模型在群体间沟通中的双重角色：反映群体差异的“镜子”与促进跨群体沟通的“桥梁”。

指出公开语料难以覆盖需要领域知识、不同推理技能或新文本风格的所有应用。