文章探讨了记忆与遗忘的机制，指出日常健忘是正常现象，源于注意力转移。通过理解工作记忆与长时记忆的关系，提出减少干扰、复述和记录等方法来改善记忆。遗忘有助于信息过滤、存储强化和环境适应，体现大脑的高效运作。

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。

本研究提出了一种名为通用化与关联临时编码（GATE）的新模型，探讨海马如何快速适应不同环境并构建灵活的工作记忆。该模型通过三维多层结构有效捕捉信息，展现出快速普遍化能力，为理解海马记忆机制及仿生智能系统的发展提供了框架。

本文探讨了大语言模型生成内容的事实不准确问题，提出了一种显式工作记忆（EWE）方法，通过实时反馈提升文本生成的准确性。实验结果表明，EWE显著提高了生成内容的可靠性。

本研究分析了语言模型在认知任务中的表现，发现其低性能主要由于对任务理解不足，而非工作记忆容量的限制，旨在改进语言模型的认知评估方法。

最近，视频对象分割（VOS）网络通过生成辅助帧和实施原型级匹配，解决了空间-时间一致性和像素匹配问题。实验结果显示，该方法在DAVIS 2017和YouTube VOS 2018上表现优异，推理速度超过32 FPS。

本研究解决了虚拟现实中用户行走时网络眩晕与认知、身体活动之间关系理解不足的问题。通过收集39名参与者的多项指标，提出了一种新的数据集，并通过分类器训练展示其在预测网络眩晕方面的有效性。该数据集可以帮助未来的研究开发网络眩晕检测和减少模型，推动虚拟环境设计的改进。

我们提出了一种名为“动态网络架构”的新型智能系统架构，该架构依赖于稳定循环网络，并讨论其在视觉上的应用。通过动态连接主义原则，我们的模型通过自组织机制，结合Hebbian可塑性和定期加强的抑制来稳定初级传入信号引起的神经激活。我们证明了DNA的可行性，即使在每个空间位置引入了高达59%的噪声，线条表示的构建仍然保持稳定。此外，我们展示了该模型能够从部分遮挡的输入中重建预期特征，并且可以推广到训练期间未观察到的模式。我们提供了关于一个独立区域的优势和不足的深入理解，并展望了未来工作如何通过组合多个区域来实现不变的物体识别。

本文介绍了一种音频-视觉声音分离方案，通过两级网络实现了低时延的成果。该模型利用轻量级图卷积网络从面部标记中提取运动线索，并将视觉和音频特征输入到音频-视觉转换器中，取得了良好的隔离估计结果。在第二阶段，音频网络增强了主要声音。研究进行了消融实验并与最先进的方法进行了比较。最后，探讨了在唱声分离任务中训练语音分离模型的可转移性。

这篇论文研究了在 Transformer 模型解码器中添加的符号工作内存的属性，该工作内存增强了机器翻译任务中模型预测的质量，并作为信息的神经符号表示，对于模型进行正确翻译至关重要。通过研究记忆内容发现，翻译文本的关键词存储在工作内存中，指向记忆内容与处理文本的相关性。此外，存储在内存中的标记和词性的多样性与机器翻译任务的复杂性相关。

该研究介绍了一种将基于Transformer的大型语言模型扩展到无限长输入的有效方法，同时保证有界内存和计算。该方法使用了新的Infini-attention技术，将压缩性记忆融入传统的注意力机制中，并在单个Transformer块中集成了局部和长期线性注意力机制。该方法在长文本语言建模、1M序列长度密钥上下文块检索和500K长度的书籍摘要任务上展示了有效性，使用1B和8B规模的大型语言模型。该方法引入了有界内存参数，并实现了LLMs的快速流式推理。

通过分析基于Transformer神经网络架构的模型在简单序列建模任务上的训练结果，发现Transformer内部的自注意机制呈现出与输入和输出分离机制相似的特征，暗示了关于现代AI架构与人脑模型计算相似性的研究机会。

该文章介绍了一种基于强化学习的动态难度调整（DDA）方法，用于处理视觉工作记忆游戏中的记忆难度。该方法通过考虑玩家得分和游戏上一轮的难度，个性化地调整游戏难度。与基于规则的方法相比，该方法在玩家体验、得分和胜率等方面有显著提升，并在测试中导致较少的分数下降。

本文提出了一个针对混沌系统长期预测的框架，通过两种方法处理噪声数据的多环境训练，保留了描述动力学的不变吸引子的统计特性。实证验证表明该方法在保持混沌吸引子的不变测度方面表现出很好的效果。