EnterpriseRAG-Bench是一个针对企业内部知识检索的基准测试，旨在解决现有RAG基准在处理企业文档分散、格式多样和信息过时等问题上的不足。该基准包含50万份文档和500道问题，模拟真实企业环境，评估系统在信息检索、文档聚合和处理噪声方面的能力，强调多文档整合和对内部术语的理解，适合企业内网的知识检索应用。

在信息时代，FOLO和语鲸等信息聚合工具帮助用户重新掌握信息选择权。FOLO支持多平台订阅，整合信息源，提高阅读效率；语鲸利用AI提炼内容，打破公众号封闭生态，帮助用户高效管理信息。两者结合，助力用户构建清晰的知识体系。

本研究提出了一种新型图神经网络模型GRAIN，旨在解决异质图任务中的信息聚合不足问题。GRAIN通过多粒度聚合和考虑隐式关系，显著提升了节点表征质量，实验证明其在多个数据集上优于12种先进模型。

本研究提出ReAgent框架，解决多跳问答中的推理错误累积问题。通过回溯机制和信息聚合，该系统有效检测并纠正推理错误，性能提升约6%。

本研究提出了一种带有分层意见聚合的广义可信多视角分类框架，解决了视角间聚合忽视视角内信息的问题，显著提升了视角质量，展现出超越现有方法的潜力。

本研究提出了一种深度自适应专家混合模型（DA-MoE），旨在解决图神经网络在处理不同尺度图数据时的深度敏感性问题。该模型通过灵活聚合不同GNN层的信息，显著提升了图、节点和链接级别分析的性能。

该研究提出了一个通用框架，用于分布式系统中的知识形式化和推理，探讨了分布式知识与常见知识的关系。分析了分布式学习中的私有知识共享及其安全漏洞，提出了保护隐私的防御策略，并讨论了信息聚合问题及其在联邦决策中的应用，强调了知识共享的限制和未来研究方向。

本文证明了自注意力结构足以实现信息聚合，无需进行结构适应以及对于目标跟踪提取辨别特征和增强目标和搜索图像之间的通信。通过采用基本的视觉 Transformer（ViT）架构作为主跟踪器，并将模板和搜索图像进行特征嵌入，进而提出了一种紧凑的变换跟踪器。该跟踪器仅由一个 ViT 主干和一个框头组成，可以以每秒 40 帧的速度运行，并在多个测试数据集上实现了最先进的跟踪效果。

本文证明了自注意力结构足以实现信息聚合，无需进行结构适应以及对于目标跟踪提取辨别特征和增强目标和搜索图像之间的通信。通过采用基本的视觉 Transformer（ViT）架构作为主跟踪器，并将模板和搜索图像进行特征嵌入，进而提出了一种紧凑的变换跟踪器。该跟踪器仅由一个 ViT 主干和一个框头组成，可以以每秒 40 帧的速度运行，并在多个测试数据集上实现了最先进的跟踪效果。