微软将对Windows 11进行重大升级，恢复任务栏停靠功能，移除多余的AI快捷入口，并改善开机设置和核心体验，以提升用户体验。此举回应用户对稳定性的反馈，预计将在3至4月进行测试推送。

本研究解决了开放世界持续学习中对大量标注数据的依赖问题，提出了开放世界少样本持续学习的新框架。该框架结合实例级别的标记增强、基于边界的开放检测和自适应知识空间，显著提高了在稀缺标注数据情况下的学习效果，具有实际应用价值。

本研究探讨了技术创新如何促使去中介化的问题，特别是在数字经济中生成式人工智能工具降低了内容生产成本的背景下。通过分析中介、生产技术供应商与消费者之间的博弈，发现当生产成本过高或过低时会发生去中介化，且中介的存在对社会福利和内容质量的影响存在复杂性。此研究的发现对于理解生产技术创新如何冲击中介存续及其对数字经济的影响具有重要意义。

本研究探讨了目标顺序性对深度回归特征表示性能的影响，提出了基于最优传输的正则化方法和回归目标复制策略，以降低条件熵并提升回归效果。实验结果验证了这些策略的有效性。

本研究解决了视觉与语言之间的语义差距问题，提出了一种全面的视觉语义表示模块，结合全景分割生成细粒度语义特征。创新性的图脉冲混合网络（GSHN）通过整合脉冲神经网络和图注意力网络的优点，显著增强了语义表示的丰富性和多样性，提高了模型在视觉-语言下游任务中的表现。

本研究解决了稀有疾病诊断中的基因优先排序难题，尤其在现有患者数据有限的情况下。通过对各种大型语言模型进行基准测试，提出了结合多智能体和人类表型本体分类的新方法，这有效提高了因果基因识别的准确性，并克服了现有研究中的偏见。研究结果显示，该方法显著促进了稀有疾病的诊断流程和基因发现。

本研究探讨视觉语言模型在文化理解中的不足，尤其是由于主要以西方为中心的训练数据造成的偏差。我们构建了一个名为CultureVerse的大规模多模态基准，涵盖19682个文化概念和188个国家/地区，并提出了CultureVLM，通过在此数据集上进行微调显著提升文化理解能力，特别是在非西方文化中的表现。此项工作为建立更公平和具有文化意识的多模态人工智能系统奠定了基础。

本研究解决了通用多模态检索（UMR）中训练数据不平衡的问题，提出了一种新的训练数据合成管道以构建高质量的多模态数据集。通过开发通用多模态嵌入器（GME），我们展示了其在UMR任务中的优越性能，实验结果表明该方法在现有技术中达到最先进水平。

本研究利用深度学习和卷积神经网络对肺音记录进行呼吸相检测，结果表明算法与专家标注高度一致，适用于呼吸相检测。同时，研究提出了一种基于机器学习的睡眠评估模型，通过监测睡眠声音评估睡眠质量，准确率达到94.8%。此外，研究创新性地应用深度学习对打鼾声进行分类，提升了阻塞性睡眠呼吸暂停的诊断效果。