最近发展的大型语言模型在逻辑推理能力上表现不佳，尤其在复杂推理和否定情况下遇到困难，并有时忽视上下文信息。研究评估了多个语言模型，并提出了改进逻辑推理能力的建议。

本文探讨了神经网络在以查询为中心的自动文摘中的应用，并提出了两种模型扩展。这些方法在QMSum数据集上取得了最先进的性能，并通过人类评估实现了更全面和基于事实的自动文摘。

当前最先进的大型语言模型（LLMs）在空间推理方面性能较差，但随着模型规模的扩大，在空间推理能力上有了显著提升，Finetuning 大或小型语言模型可以显著提高它们的 F1 分数，专有的 LLMs 在拓扑空间理解和推理方面明显优于开源模型。

本研究介绍了利用神经常微分方程进行图像配准的方法，以帮助理解医学图像分析中的生物动态。该方法能够学习动态并规范转换轨迹。

该文介绍了一种新型的AMOC网络，能够利用远距离的运动上下文，鲁棒地识别同一人，且在三个公共数据集上表现优于现有最佳水平。