.NET 9 集成了更快的 zlib-ng 压缩引擎，压缩速度比 .NET 8 提升约 38.3%，解压缩速度提升约 28.5%。升级框架可享受这些性能优化，适合频繁数据处理的应用。

本研究提出了一种新的提示重要性抽样（PIS）框架，结合注意力机制以高效压缩提示，显著提高了大型语言模型的压缩性能和推理效率。

WinRAR v7.10测试版发布，新增深色模式，优化压缩性能，停止支持Windows 7 32位及Vista版。深色模式可根据系统设置或手动选择。

本研究探讨了内容自适应优化对神经图像压缩的影响，提出了多种新技术和框架，显著提升了压缩性能和速率-失真表现。通过改进网络架构和引入适配器模块，研究展示了在不同视觉内容和分辨率下的有效性，且计算效率与传统方法相当。

本文介绍了一种基于深度神经网络的视频编码新方法，结合多尺度运动补偿和自适应熵编码，优化特征聚合，显著提高视频压缩性能。实验结果表明，该方法在比特率和失真度量方面优于传统技术。

PO-ELIC提出了一种高效的图像编码模型，利用对抗性训练技术提升感知品质。研究中介绍了上下文自适应熵模型、空间-通道自适应编码算法及平行化友好的上下文模型，显著提高了图像压缩性能。实验结果表明，这些方法在PSNR和MS-SSIM指标上优于传统编解码器，具有更好的压缩效率和速度。

本文探讨了多种视频编码技术，包括基于光流的预测、空间分解与时间融合的帧间预测，以及新型学习视频压缩框架（VLVC）。研究表明，这些方法在压缩性能上优于现有标准（如H.266/VVC），有效提高了视频质量和压缩率，降低了比特率。

本研究提出了一种新型语义通信框架，通过压缩语义信息降低带宽，并利用扩散模型生成高质量图像。采用多模态度量和强化学习算法优化图像传输，显著降低延迟，提高压缩性能。实验结果表明，该方法在图像恢复和传输效率上优于传统技术。

本文提出了一种基于卷积神经网络的图像压缩框架，结合紧凑型和重构型CNN，开发了统一的端到端学习算法。实验结果显示，该框架在压缩性能上显著优于现有标准，并具有良好的兼容性。

本文提出了一种多模态机器学习方法，通过使用文本的语义信息来引导图像压缩，以实现更好的压缩性能。实验证明，该方法能够在极低比特率下获得较好的视觉效果，并且性能可以相媲美或超越最先进的技术。

该文介绍了一种上下文自适应熵模型，用于图像压缩。该模型利用两种上下文，提高了压缩性能，实验结果表明该方法优于传统编解码器和基于神经网络的方法。