Claude系统提示词泄露引发讨论，Karpathy指出大型语言模型缺乏关键学习范式，并提出新方法以模拟人类学习，增强模型的记忆和反思能力。尽管新方法受到关注，但也有人质疑模型可能会混乱，难以有效理解提示。

本研究提出了一种基于神经元振荡的新学习范式，旨在提升人工智能在新情境下的适应能力和有限数据学习能力。该方法使网络能够无监督地感知细微变化，并在未见过的情境中进行推断，具有重要的应用潜力。

本研究提出了一种新学习范式，解决了图像理解模型在视觉层次学习中的不足。该模型在无明确层次标签的情况下，能够在双曲空间中编码多级视觉层次，显著提升图像检索的层次能力。

该文综述神经问句生成（NQG）研究，涵盖语料库、方法与评价，并指出学习范式、输入形式和认知水平的新趋势，涉及教育场景人机协作QG系统、答案分离序列到序列模型、MixQG多数据集生成器、无监督新闻标题生成问句，以及知识图谱问答和GENQA等进展。

本文综述生成式大语言模型在信息抽取中的最新进展，按子任务与学习范式分类，分析新兴趋势与技术洞见。研究涵盖指令式抽取、通用抽取模型GIELLM、代码提示方法及表格抽取等，发现性能不仅取决于模型规模，还依赖架构、数据多样性与学习技术，并指出未来方向。