机器之心数据服务现已上线，提供高效稳定的数据获取，简化数据爬取流程。

本研究提出了一种基于离线强化学习的微电网电压调节新方法，利用现有数据集进行模型训练。实验结果表明，该方法在不同数据集上表现出色，尤其在低质量数据集上具有良好效果，展现出重要的应用潜力。

本研究针对目前非侵入负载监测技术在资源有限的微控制器单元（MCUs）上计算成本高和内存需求大的问题，提出了一种创新的动态时间规整算法，系统比较了六种机器学习技术在家庭用电场景中的性能。实验证明，该方案在边缘MCUs上实现了95%的识别精度，同时优化了频率域特征提取过程，显著降低了运行时间和存储开销，未来将进一步优化算法性能，以提供更具成本效益的NILM应用解决方案。

本研究探讨了公众对人工智能系统的期望及其在德国和美国的差异，尤其是关于安全、公平和社会价值的对齐问题。通过对1800名德国和1756名美国受访者的调查，发现美国受访者对AI功能的支持显著高于德国，而对于准确性和安全性等基本需求的支持最为强烈。这些发现对于AI治理和跨国公众偏好的变化提供了实证基础。

本研究解决了未知离散时间系统的线性二次调节（LQR）问题，提出了一种具有 guaranteed 收敛性、稳定性和最优性能的广义动态输出反馈学习控制方法。通过设计与状态反馈控制器等效的动态输出反馈控制器，克服了现有方法在系统矩阵未知以及观察者误差存在时的收敛性和稳定性分析困难。研究表明该方法在确保收敛和稳定的同时实现了对最优反馈控制增益的有效估计。

EarTrumpet 是一款替代 Windows 默认音量调节的工具，允许用户独立调节各个应用的音量。可通过 GitHub 或 Microsoft Store 安装，使用时需在任务栏关闭默认音量并启用 EarTrumpet。

本研究提出了一种协同迁移策略和信息调节机制，有效解决了遥感场景分类中因云干扰导致的信息损失问题，显著提升了模型在云覆盖场景中的分类性能。

本研究解决了语言模型预训练中各类数据源所带来的学习效率低下的问题。提出了一种新方法——元数据调节然后冷却（MeCo），通过在训练中引入元数据并在后期进行冷却，使得模型能够正常工作。研究表明，使用MeCo的语言模型在下游任务中表现优越，数据利用率提高33%。

本研究提出NEST框架，旨在解决传统轨迹预测模型在实时处理和复杂交通环境中的不足，从而显著提升自主驾驶系统的可靠性与效率。

Twinkle Tray 是一款简便的多显示器亮度管理工具，支持自动调节和个性化设置，完美兼容 Windows 10，并提供多语言支持，可通过系统托盘访问。

本研究探讨了语言模型在预测时如何平衡上下文与先验知识的敏感性，提出了一种可控的上下文敏感性任务，显著提高了回答准确率（85-95%）。研究表明，模型的上下文选择机制可以通过一维子空间进行控制，为优化语言模型提供了新思路。

本研究解决了传统财务智能生成方法在处理高维金融数据时的局限性，如推理成本高、幻觉现象及分析复杂性。FISHNET提出了一种创新的代理架构，能够高效处理超过98,000份监管文件，取得61.8%的成功率和优异的财务洞察生成表现。此研究具有重要影响，提供了可扩展性和灵活性，适用于多种财务应用场景。

研究通过数据驱动的方法分析大型语言模型的治理和调节，探讨了在人机非合作和竞争情境下的威胁，以及LLMs推理能力的不足和可操控性。研究还发现，人类在与LLMs进行价格谈判时，价格范围差异大，揭示了人类在有效互动方面的不足。