该论文研究了状态空间模型（SSMs）的上下文学习能力，并提出了可能的潜在机制的理论解释。通过引入新的权重构造，使得SSMs能够预测任何动态系统的下一个状态，无需参数微调。实证方法证明了该参数化方法的有效性。

该研究提出了一种利用网格加速渲染的方法，解决了实时渲染中的挑战。实验结果表明，该方法在高反射表面的重建质量上与离线方法相当，并能在边缘设备上实现高效的实时渲染。

本研究提出了一种参数化方法，用于控制Transformer模型的频谱，避免过度平滑输入，提高表达能力。该方法在更多层次、更少数据点和受损数据的训练情况下仍然有效。

本文介绍了一种新型神经网络——神经算子，能够在无限维函数空间中进行映射，逼近任何连续非线性算子。研究提出了四类高效的参数化方法，并在偏微分方程的解算子的代理映射中应用了神经算子，结果表明神经算子具有更好的性能优势且速度更快。