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。

本文提出了一种新型多模态大语言模型AKI，解决了视觉与语言不对齐的问题。通过将因果注意力转化为模态互注意力，AKI显著提升了模型在理解基准上的表现，推动了多模态研究的发展。

本研究探讨了利用合成数据和领域知识改善心脏LGE MRI图像超增强检测的方法。通过增强合成数据和标准化图像方向，提升了模型在小规模临床数据集上的表现，为心脏MRI研究提供了新思路。

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。