研究团队提出了一种基于多模态机器学习的新方法，通过合成后信息预测金属有机框架（MOFs）的潜在性能和应用，显著缩短了从合成到应用的周期。该模型在实验噪声和结构缺陷下表现出良好的鲁棒性，能够准确匹配MOFs与应用场景，推动材料科学的智能化发展。

中科大与华为诺亚方舟联合提出了一种推荐大模型性能预测定律，首次定量分析了模型性能与数据规模和质量之间的关系。研究引入近似熵作为数据质量指标，克服了传统扩展定律的局限性，有效预测推荐模型的扩展潜力和最优参数配置。

本研究探讨了传统机器学习中特征转换的三个挑战，提出了FastFT框架，通过性能预测和新颖性评估提高探索效率，实验结果验证了其在复杂任务中的优势。

本研究提出了一种聚类-难度框架，通过对任务难度进行聚类，排除非紧急任务，从而提高大型语言模型的性能预测准确性，平均绝对偏差仅为1.36%。

本研究提出技能扩展法则（SSLaws），旨在解决大语言模型（LLM）基准性能的变异问题。通过利用低维潜在技能，研究能够更准确地预测LLM的性能，减少对每个模型家族训练多个LLM的需求，并为后续任务的扩展行为提供深入见解。

本文探讨了多种数据库查询优化方法，包括基于查询性能预测的自动配置、集成学习模型BitE、端到端学习的Kepler和鲁棒查询优化框架Roq。这些方法在提高查询性能、内存需求预测和适应搜索意图方面表现出显著优势，推动了数据库管理系统的优化进程。

本研究提出了一种新颖的多模态数据驱动方法，解决锂金属电池性能预测中的数据不足问题。通过自动电池数据收集和图形挖掘工具，开发的机器学习模型能够准确预测电池的容量和稳定性，展现出实际应用的潜力和可靠性。

本文探讨了高度可配置系统中因果效应的可识别性与可传移性，提出了新方法Unicorn以优化性能预测。研究表明，one-hot编码效果最佳，而scaled label编码训练速度快但准确性较差。通过HINNPerf模型和DaL算法，提升了预测的准确度和效率。PerfSense框架利用大型语言模型识别性能敏感配置，显著减少了手动工作量。整体来看，深度学习技术在配置性能建模中展现出良好前景。