近期，Plain-Det结合Def-DETR在COCO数据集上取得51.9的mAP，展示了出色的泛化能力。通过共享检测器和语义空间，解决多数据集训练的挑战，并引入语义空间校准、稀疏查询和动态采样策略，提高训练效率和性能。该方法在多个数据集上创造了新的最佳结果，表现出良好的鲁棒性和兼容性。

本研究探讨了多语言大型语言模型在语言能力迁移中的不足，揭示了关键信息区域及其神经元激活模式的相似性。研究表明，模型在训练和扩展后形成了通用语义空间，从而提高了跨语言处理的一致性，为提升跨语言能力奠定了基础。

大型语言模型在创造性任务中表现有创造力，研究发现LLM在创造力方面更灵活。

TRML是一种鲁棒多模态学习框架，通过生成虚拟模态替代丢失模态，并对生成和丢失模态之间的语义空间进行对齐，捕捉缺失模态的语义。实验证明该方法在多个多模态情感分析基准数据集上表现优秀。

本文提出了一种基于核规范相关分析（KCCA）的标签传播框架，能够构建潜在的语义空间来嵌入视觉和文本特征之间的相关性，并在四个数据集上展示了显著的改进。该方法适用于专家标注的数据集和社交媒体上用户自动生成的标签数据。

一项研究发现，1800个短篇故事的开头部分按照行动原则排序，但打乱段落顺序后，平均故事不再具有该属性。研究结果表明，在开始讲故事时，我们在语义空间中采取了一种优先方向，可能与西方传统故事讲述有关。