RAFT：适用于 domain specific RAG 的 LLM，结合了 SFT 和 RAG 的思想，实现了特定领域进行 QA 的好的效果。

总的来说，这篇论文提出了一个很新颖的思路：prompt retriever，从而提高 LLM 的 zero-shot 的能力。同时还研究了 prompt retriever 从训练的任务类型推广到其他未见过的任务类型，以及从小的 LLM 推广到更大规模的。

本文基于 Codex 的 LLM 来探索了 CoT-style 的 prompting 效果，增强了 LLM 对 Text2SQL 解析的推理能力。论文发现了 CoT 在 Text2SQL 任务中会出现错误传播问题，本文提出的 QDecomp 方法是缓解 LLM 多步骤推理中错误传播问题的尝试之一，之后值得对这个问题进行更深一步的探讨。

MCS-SQL 利用 LLM 的输出对 ICL exemplars 敏感的特点，通过变换 exemplars 的选择和呈现顺序，构建出多个 prompts 来得到多个候选 SQL，然后再过滤后引导 LLM 从中选出最精确的 SQL。

在本地生成一对ssh密钥；将 C:\user\<username>\.ssh\id_rsa.pub 打开，复制其中的全部公钥内容；在阿里云官网的服务器控制台中，找到密钥管理，选择新添加一个密钥，将公钥信息填入进去；Windows Terminal的设置中增加以下内容：list下面添加：{"guid": "{27af5698-1e5f-4178-a34b-8623d8d8ec22}","

Chain-of-Note 提示：为 RAG 引入 CoT 让模型生成阅读笔记来提高面对噪声文档和未知场景的鲁棒性

框架创新：提出 “单帧预训练 + 多帧后训练” 的两阶段范式，首次实现 “高效多帧 VLA 建模”，兼顾性能与速度；技术: 特征块+跨帧解码器+多帧正则化的三合一设计基准创新：提出 SimplerEnv-OR，填补 VLA 模型鲁棒性评估的空白，支持 24 种时空干扰的定量测试；可兼容现有VLA模型（OpenVLA等），即插即用CronusVLA 的核心突破在于“用特征级多帧建模替代图像级多帧输入

轻量化：0.77B 参数，大幅降低训练 / 部署成本；免预训练：无需大规模机器人数据，数据收集成本骤降；强泛化：两阶段训练保护语义表征，面对干扰（如背景变化、目标移位）仍稳定；高实用：实时推理 + 低显存，适配消费级 GPU 和真实机器人场景。为推动未来研究，作者团队公开了代码、训练数据和模型权重，以鼓励轻量级高性能 VLA 模型的进一步研究与实际开发。

DPR —— 经典地使用嵌入向量来检索文档的模型

模型将被在不同的复杂 SQL、复杂数据库、复杂 domains 上被测试，要求模型能够对 question 理解语义，并对新的数据库有泛化能力。任务不评估模型生成 value 的能力，因为这个 benchmark 侧重评估预测出正确的 SQL 结构和 columns，数据集中也被排除了需要常识推理和数学计算的 querys。论文工作还对数据库的 table names 和 column names