AI 编程效率高的原因有三：目标清晰、任务细分使得 AI 能精准执行；善用并行计划模式，节省时间并提高效率；定期盘点代码和需求，减少错误，提升整体工作效率。

研究人员通过自我监督学习和病理数据预训练取得了突破性进展，为计算病理学研究开辟了新时代。DINO算法在所有测试任务中表现更好。

本研究通过信息密集型观察的方法解决了多智能体强化学习在运动规划中的问题，实现了零次学习，缩短了训练时间，提升了智能体的适应能力。对自动驾驶车辆具有重要影响。

rkyv效率高，但版本控制不好。

该研究提出了一种新的l0范数攻击方法sigma-zero，利用l0范数的可微近似和自适应投影算子，无需超参数调整即可找到最小的l0范数对抗性示例。在MNIST、CIFAR10和ImageNet数据集上评估，sigma-zero在成功率、扰动大小和可扩展性方面优于其他稀疏攻击方法。

通过多智能体交互和知识蒸馏，MAGDi提高了较小模型的推理能力，效率高于其他方法。MAGDi还增强了对域外任务的泛化能力，与学生模型的大小和强度相关。在多教师训练方面也取得了改进。

利用参数高效联合异常检测（PeFAD）框架，通过利用预训练语言模型（PLM）作为客户端本地模型的主体，减少通信开销和本地模型适应成本，同时采用一种新颖的异常驱动蒙版选择策略以缓解训练过程中忽略异常值的影响。在共享的隐私保护数据集上还提出了知识蒸馏操作，以解决客户端间的数据异质性问题，实验证明 PeFAD 优于现有最先进基准方法最多达 28.74%。

近年来，变分量子算法（VQAs）作为解决量子计算机上优化问题的方法出现。自适应VQAs通过动态修改电路结构来应对问题。本文分析了三种自适应VQAs，并与传统VQA进行比较。研究发现超参数选择对算法性能有重要影响。该研究为近期量子设备设计的自适应VQAs设定了基准，并为未来研究提供了见解。

本文提出了一种针对多模态大型语言模型（MLLMs）的参数和计算效率高的新调优方法，称为 Efficient Attention Skipping (EAS)。通过评估注意力冗余并跳过不重要的多头注意力机制（MHAs）来加快推理速度，同时通过传播信息适配器（PIA）以保持参数效率，进一步降低推理延迟，并通过对一组基准测试的大量实验证明，EAS 不仅保持了高性能和参数效率，还极大地提升了推理速度。