LightGen模型由港科大与Everlyn AI合作开发，仅需8张GPU训练即可实现接近SOTA的高质量图像生成。通过知识蒸馏和直接偏好优化，显著降低了训练成本与资源需求，展现出在有限条件下生成高效图像的潜力。实验结果表明，LightGen在多个任务上优于现有模型，未来可扩展至其他生成任务。

本研究提出了一种Add-it方法，旨在解决在复杂场景中根据文本指令自然添加对象的问题。该方法无需额外训练，通过扩展扩散模型的注意机制，综合考虑场景图像和文本提示，实现了结构一致性和细节保留，性能显著优于现有监督方法。

本研究提出了一种新的演员-评论家算法，通过在动作空间中使用两点随机梯度估计的零阶近似，解决了确定性策略梯度算法在连续系统控制中的不准确问题。实验表明，该算法性能优于现有方法。

最近的研究发现，使用视觉语言模型可以开发多功能代理人来帮助人类完成图形用户界面导航任务。研究人员提出了GUICourse，一套用于训练基于视觉的图形用户界面代理人的数据集。实验证明，该代理人在常见的图形用户界面任务上表现更好。

我们提出了一个概念简单但有效的多语言CLIP压缩框架，训练了一个轻量级的多语言视觉-语言模型DC-CLIP，用于中文和英文环境。DC-CLIP在英文环境中性能优越，在中文环境中表现竞争性能，即使使用较少的训练数据。训练机制证明了其有效性。

介绍了RayDF框架，用于三维形状表示，性能优越。与基于坐标的方法相比，渲染深度图像速度提高1000倍。

谷歌推出Gemini 1.5 Pro，支持处理长达100万个上下文Tokens的内容输入长度，性能优于1.0 Pro和1.0 Ultra版本，可处理超长内容和复杂推理任务。

通过优化方程，提出了一种新型距离方法，无需依赖分布假设、先验知识和特定训练机制，利用几何信息判断样本是否来自分布之外，并在基准数据集上进行实验证明其性能优越。

谷歌推出Gemini人工智能模型，性能优于OpenAI的GPT-4和人类，有3个版本：Nano适用于智能手机，Pro和Ultra性能更强。Gemini在智力测试中得分最高，可解决家庭作业问题和处理实时视频。Gemini接受文本、图像和声音训练，适应各种任务。

使用对抗式对比学习提出了一种用于多个图领域的预训练模型，性能优于基准模型、未经训练的模型和非转移模型，包括在评估时使用节点标签。

该文介绍了一种新颖的后训练采样算法，可以从生成模型的潜在空间中取样，使得重建的样本更接近真实图像。该算法速度快，性能优于基于高斯混合模型的采样技术，并在多个模型和数据集上展现了显著的改进。同时，该算法在估算潜在空间分布方面也表现出有效性。

该研究设计了一种词义消歧系统，使用主题模型，能够在上下文单词数增加的情况下扩展。在5个英语全单词WSD数据集上的评估表明，该方法优于当前最先进的无监督知识为基础的WSD系统。