何恺明团队提出了一种新方法，将去噪技术与哈密顿神经网络结合，克服了传统机器学习在物理问题上的局限。该方法通过Block-wise哈密顿量设计和掩码建模策略，提升了模型在正向模拟、表征学习和轨迹插值任务中的准确性和鲁棒性。

本研究提出DeepResonance模型，解决音乐语言模型未充分利用图像、视频和文本特征的问题，显著提升六项音乐理解任务的表现，展示了辅助模态的优势。

本研究提出了一种新方法，通过结合医学知识和增强特征重演，解决胸部CT图像中的自监督学习挑战，显著提升模型特征表示能力，实验结果优于现有技术。

本研究评估大型语言模型（LLM）代理的自我推理能力，填补了代理任务研究的空白。通过考察自我修改和知识寻求等情境，发现只有前沿模型具备此能力，且高度依赖上下文。未来模型的提升可通过评估测量实现。

本研究探讨了大语言模型后训练量化中的量化简化问题，重点分析各层的量化误差。引入两种微调策略，相较于单一微调，效果因模型而异，对某些模型有显著提升。

本文介绍了一种名为“词的思考”（ToW）的数据增强方法，用于改善下一词预测中的事实幻觉和效率问题。通过从大型模型中提取ToW注释，使用70K注释可提升模型推理能力7%至9%，并减少高达10%的幻觉现象，显示出显著潜力。

该研究提出了一种新的细粒度评估方法，通过自动生成细微差异的测试字幕，提升视频-文本检索模型对细微差异的理解能力，并揭示当前评估基准的不足。