插入对角矩阵P，让单个LoRA适配器在所有子秩上同时学习层级特征。

提出BR-MoE双层路由MoE机制，把PTM-based类增量学习首次扩展到300+非重叠任务。

在Ego-Exo4D上用三套参数高效方法把多视角动作熟练度估计推向生成式反馈

为LVLM设计并行PVM模块，缓解长序列生成中的视觉信号衰减

语义聚类指导的分布感知采样，DoRA+持续学习缓解跨语言负迁移

用 RDP 算法把隐藏态当成几何轨迹，挑选关键层做稀疏 LoRA 微调

诊断 LoRA 合并干扰集中在 B 矩阵，提出 B 空间预校准方法 Pico。

用一阶 Taylor 展开精准识别 MLLM 中语言特异与跨模态共享神经元，仅微调关键子集实现图像翻译 SOTA。

用合成数据集 + LoRA 微调让 DINOv2/DINOv3/RADIO 等纯视觉基础模型在零样本异常检测上首次反超 CLIP 类方法。

冻结 MoE-LoRA 栈 + 零空间投影 + 经验路由,发现适配器实际编码可迁移的认知原语。

通过仅优化初始循环状态实现零推理开销的高效模型微调方法

通过token级路由漂移分析与漂移感知的动态MoE扩展，解决VLM持续学习中的灾难性遗忘

307M参数的土耳其语掩码扩散语言模型，媲美数倍大的自回归模型

仅调约102个缩放参数，用进化策略校准 DiT 各模块权重，即可显著提升生成质量并加速推理

通过因式分解范数和融合 Triton 内核，解决 DoRA 高秩配置下的内存和效率瓶颈

LoRA2让每个LoRA组件自适应学习最优秩，在保持生成质量的同时大幅降低内存消耗

通过零初始化低秩残差适配器，在冻结的 ViT 上实现参数高效迁移学习

通过LoRA和超图神经网络高效适配通用医学视觉语言模型

通过异构归纳偏置和压缩瓶颈结构，实现视觉-语言模型的高效少样本适应

首次在原生3D空间实现骨架精确控制的轻量级生成框架