标签
FFAvatar提出了一种前馈框架，能在数秒内从少量非摆拍图像中重建高质量、可动画的3D高斯头部头像，在NeRSemble基准测试上相比现有最优方法实现了5.5 PSNR的提升。
FEST是一种少样本演示引导的强化学习算法，通过结合监督信号、在线策略学习和加权训练以防止过拟合，仅需极少的监督微调数据即可实现强劲性能。
独立研究表明，在 3B Llama 的工具使用中，227M 参数的超网络相比精心设计的少样本提示毫无增益，仅用 1/10 延迟即可达到 GPT-5 性能的 79.7%。
FSPO提出了一种用于大语言模型个性化的少样本偏好优化算法，该算法将奖励建模重新定义为元学习，使模型能够从有限的用户偏好中快速推断出个性化的奖励函数。该方法通过精心构建合成偏好数据集，在合成用户上实现了87%的个性化性能，在真实用户上实现了70%的个性化性能。