中国科学院与四川大学华西医院的研究人员开发了PRnet，一种深度生成模型，能够预测新化学扰动对转录的影响。PRnet在药物筛选中表现出色，成功识别出针对小细胞肺癌和结直肠癌的新候选化合物，并推荐了233种疾病的候选药物，为基因治疗筛选提供了有力工具。

中国科学院合肥物质科学研究院在等离子体诊断中取得新进展，利用人工神经网络快速预测EAST托卡马克的离子温度和旋转速度。采用深度神经网络和卷积神经网络，计算速度提升至几十毫秒，比传统方法快10倍以上，适用于多种诊断系统的数据分析。

中国科学院大学开源了LLaMA-Omni，这是一种能处理语音和文本的大型语言模型。基于Meta的Llama-3.1-8B-Instruct，LLaMA-Omni在更少训练数据和计算下表现优异。通过加入语音编码器和解码器，减少了语音输入到输出的延迟。模型在InstructS2S-200K数据集上微调，响应延迟低至226毫秒。未来计划提升语音生成的表现力和实时交互能力。

中国科学院团队开发了GeneCompass模型，整合多物种单细胞转录组数据和生物学知识，提升基因调控理解和任务性能。模型处理了1.26亿个人类和小鼠单细胞数据，覆盖3.6万个基因，展示了跨物种基因调控的保守性。GeneCompass在基因扰动和药物反应预测中表现出色，推动生命科学研究。

中国科学院近代物理研究所等利用机器学习研究原子核低位激发态的能量和电磁跃迁几率，发现锡-100 的双幻性质和氧-28 中幻数 20 的消失。研究提升了核物理模型的精度，深化了对核壳层结构的理解，为未来实验提供参考。

本文综述了大型语言模型（LLM）的模型压缩技术，包括剪枝、知识蒸馏、量化和低秩分解。这些技术可以降低LLM的规模和复杂度，适用于资源受限设备，并保持或提高性能和泛化能力。文章还提出了评估LLM模型压缩效果的指标和基准，并探讨了未来的研究方向和挑战。