中国研究团队利用名为PackingStar的强化学习系统，成功打破了亲吻数问题的多个维度世界纪录。该系统将高维几何问题转化为多智能体博弈，首次发现了非对称构型，推动了数学探索的进展。这一成果标志着AI在科学研究中的重要角色，开启了AI与数学深度合作的新阶段。

电子健康记录（EHR）在医疗体系中至关重要，支持临床决策和患者管理。新加坡国立大学与浙江大学提出的NeuralCohort方法，通过双模块架构优化EHR数据分析，提高患者管理效率，推动精准医疗发展。

本文提出了一种新的机器翻译质量评估框架——全面的AI辅助翻译编辑比率（CATER），该框架利用大语言模型的提示驱动评估，能够快速识别翻译错误，提高翻译的准确性、忠实度和一致性。

本研究针对现有中文预训练数据缺乏细粒度和多维度信息的问题，提出了一种新工具链MDFG-tool，以构建高质量的中文数据集。研究的主要贡献是推出了中国最大的高质量细粒度文本数据集ChineseWebText2.0，具有3.8TB的数据量和丰富的质量评分、领域标签及毒性评分，显著提升了大语言模型（LLMs）的训练质量和可靠性。

本研究针对光真人物在用户可用性因素上的主观测试缺失这一问题，提出了一个开源测试框架，以十个维度对光真人物的表现进行主观评估，包括真实感、信任感和情感准确性等。研究发现，除情感准确性外，其余九个主观指标与传统客观指标的相关性较弱，并且对于高真实感的光真人物，其真实感和亲和力之间存在线性关系。这一框架的建立为未来通信系统的设计提供了重要的借鉴和扩展方向。

本研究针对机器学习教学中存在的理解缺失问题，提出了一种名为ICE-T的多维度教学概念，以促进学生对数据、算法和模型的理解。通过评估现有的教学平台和工具，研究显示ICE-T能够改进机器学习的教学效果，帮助教育工作者更有效地传授相关知识。

本研究提出了一种新任务（MaDSA），旨在解决以往抑郁评估仅依赖二元评分的问题。该系统结合情感分类与层次评估，能够多维度评估抑郁程度，初步实验显示出良好的潜力。

本文研究了多维缩放（MDS）的Kamada-Kawai公式，并提出了一种基于Sherali-Adams线性规划层次的近似算法，实现了在目标维度下成本和时间复杂度的平衡。

研究提出了一种新的指令跟踪评估协议，通过语言转化器检查模型对先验知识的依赖程度和指令遵循能力。对四个模型系列进行了评估，发现在不同语言转化器上，指令遵循能力存在差异。即使是最强大的GPT-4模型也难以在挑战性语言转化器上表现更好，需要持续改进。