阿里巴巴通义实验室最新研究表明，现有的文生图 Diffusion Transformer 模型其实已经具备生成多张具有特定关系图像的能力，只需稍加“点拨”就能“融会贯通”，生成高质量的多图集。传统的 Diffusion 模型更像是一个“死记硬背”的学生，需要用海量数据训练，才能生成高质量的图像。而有了 IC-LoRA 加持，它就变成了“触类旁通”的学霸，只需要少量样本就能学会新技能。这背后的原理说起来也不复杂，研究人员发现，现有的文生图 Diffusion 模型其实已经具备一定的“上下文学习”能力，只

瑞士洛桑联邦理工学院 （EPFL） 的一项最新研究比较了两种主流的大型语言模型 (LLM) 适应性训练方法:上下文学习 (ICL) 和指令微调 (IFT)。研究人员使用 MT-Bench 基准测试来评估模型遵循指令的能力，发现在特定情况下，两种方法的表现各有优劣。研究发现，当可用的训练样本数量较少时（例如不超过50个），ICL 和 IFT 的效果非常接近。这表明在数据有限的情况下，ICL 或许可以作为 IFT 的替代方案。然而，随着任务复杂度的增加，例如在多轮对话场景中，IFT 的优势就变得明显。研究人员认为，

["研究发现大型语言模型在在线上下文学习中表现出强大能力，能够从人类反馈中学习编写机器人代码。","通过Language Model Predictive Control（LMPC）框架，成功提高机器人代码编写LLMs的适应人类输入效率。","实验证明LMPC提高了未见任务成功率，为机器人适应性学习提供了强大支持。","研究团队通过LMPC框架的应用，成功开辟了新的道路，提高了机器人学习的快速适应性。"]