尺度定律是OpenAI于2020年提出的原则，揭示了模型规模、数据量与计算资源之间的关系，对AI研发和产业应用产生影响。报告分析了其对大模型发展的影响、涌现能力及局限性，强调数据质量和训练方法的重要性，指出尽管尺度定律是实现通用人工智能的关键，但仍需探索更广泛的解决方案。

尺度定律是OpenAI于2020年提出的原则，揭示了模型规模、数据量与计算资源的关系，影响AI研发与产业发展。量子位智库的报告分析了尺度定律的影响、涌现能力及局限性，指出大模型竞争加剧，企业需平衡模型规模与效率，推动AI硬件与云计算需求增长。

本研究提出DISCO方法，旨在解决强化学习在不平衡数据集上的优化不足。通过领域和难度感知的奖励缩放，DISCO显著提升了策略学习的效率，实验结果表明其性能比现有方法提高了5%，并在多领域对齐基准上创下新纪录。

本研究针对现有RAG系统在长上下文大型语言模型中面临的检索不准确、上下文覆盖不全以及碎片化信息问题，提出了一种名为MacRAG的多尺度自适应上下文RAG框架。通过分级检索与实时适应性合并相关上下文，MacRAG优化了查询特定的长上下文的精准度和覆盖范围，显著提升了多步骤生成任务的效果。

机器之心数据服务现已上线，提供高效稳定的数据获取，简化数据爬取流程。

机器之心数据服务现已上线，提供高效稳定的数据获取，简化爬取流程。

机器之心数据服务现已上线，提供高效稳定的数据获取服务，简化数据爬取流程。

本研究解决了传统眼科疾病诊断方法和单眼深度学习方法无法考虑双眼病理相关性的问题。提出的DMS-Net网络采用加权共享的Siamese ResNet-152框架和多尺度上下文感知模块，有效提取配对眼底图像的深层语义特征，提高了对病变边界模糊和病理分布的处理能力，在ODIR-5K数据集上实现了80.5%的准确率，推动了眼科疾病的临床决策。

本研究针对北极区域的逆退融化塌陷（RTS）现象，提出了一种新颖的多模态学习方法来提高RTS特征的映射精度。采用了级联掩膜R-CNN与多尺度视觉变换器相结合的方法，并引入了特征级残差跨模态注意力融合策略和预训练单模态学习后多模态微调策略。实验结果表明，该模型在高效利用多模态数据进行RTS映射方面显著优于现有方法，对理解永冻土及其环境影响具有重要意义。

本研究针对时间序列异常检测中的复杂模式依赖建模困难和噪声影响下的性能下降问题，提出了一种基于变压器的分解框架（TransDe）。该框架结合了时间序列分解与变压器的优势，能够有效学习正常时间序列数据中的复杂模式，并在五个公共数据集上展现出优于十二个基线模型的表现，具有显著的实际应用潜力。

本研究针对无人机在复杂环境中应用时热成像分辨率低、细节不足的问题，提出了一种新型的任意尺度热超分辨率方法AnyTSR。该方法通过新的图像编码器和创新的任意尺度上采样器，显著提高了高分辨率图像的准确性和细节表现，实验结果表明其在所有缩放因子上均超越了现有的最先进方法。

本研究针对神经母细胞瘤的病理诊断中主观性强、准确性不一致的问题，提出了一种基于对比学习的多尺度特征融合模型CMSwinKAN。该模型通过改进Swin Transformer架构，提高了可解释性和准确性，并有效捕获了组织的全局和局部特征。实验表明，CMSwinKAN表现优于现有的病理特定模型，具有显著的临床应用潜力。

本研究针对人类草图创作中的广泛变异性，提出了ViSketch-GPT算法，采用多尺度上下文提取方法以提高草图识别的准确性和生成草图的可信度。实验结果表明，该算法在QuickDraw数据集上设立了新基准，显著优于现有方法，具有更高的准确性和生成草图的真实性，显示出其在计算机视觉和机器学习中的广泛应用潜力。

本研究提出了尺度蒸馏框架SwD，以提高扩散模型的计算效率。SwD通过低分辨率生成样本并逐步提升分辨率，显著降低了计算成本，实验结果表明其在文本到图像的扩散模型中优于对比方法。

本研究评估了深度学习模型在大陆尺度水质预测中的可信性挑战，重点关注公平性、不确定性和可解释性。通过分析482个美国流域的水质数据，揭示了模型性能差异的系统模式，并提出了评估可信性的方法框架，为水资源管理中的数据驱动方法提供了重要见解。