矩阵超智推出的MATRIX-3人形机器人具备仿生设计、灵巧操控和零样本学习能力，能够在日常生活中执行复杂任务。该机器人由特斯拉、英伟达和OpenAI团队共同研发，旨在推动通用人工智能和人形机器人的广泛应用。

本研究提出了一种基于ChatGPT零样本学习的评论分类方法，将评论分为四类。结果表明，ChatGPT在分类任务中表现优异，F1得分达到0.842，对应用开发决策具有重要影响。

本研究探讨了利用零样本学习和大型语言模型（如FLAN-T5和BERT）提升电子邮件垃圾邮件检测的有效性，克服了传统检测技术在动态垃圾邮件策略和数据稀缺方面的局限，展现出良好的可扩展性和高效性。

本研究探讨了智能体在面对新任务时的解题能力，提出了一种训练方法，使其能通过心理模拟解决未知任务。研究表明，智能体在真实试验后成功模拟替代场景，展现了零样本学习的潜力。

本研究提出了一种名为ZSLLM的框架，旨在解决多模态知识图谱嵌入中的零样本学习问题，包括信息转移和新类别关系推断。实验结果表明，ZSLLM在多个真实数据集上表现优于现有技术，具备良好的扩展性和实用性。

飞桨PP-UIE是一个支持中英文的信息抽取大模型，具备强大的零样本和小样本学习能力，能够高效处理长文本，适用于多种应用场景。

港大黄超教授团队提出的GraphAgent框架，通过多智能体协作，融合图数据与文本信息，显著提升预测与生成任务的性能。在8B参数下，该框架优于70B大模型，尤其在论文评审中有效预测录取可能性，展现出良好的零样本学习和跨域泛化能力。

本文提出了一种高斯屏蔽自编码器（GMAE），旨在克服传统自编码器在空间意识方面的不足。研究表明，GMAE具备多种零样本学习能力，并能保持高语义质量，推动高保真视觉数据建模。

该研究提出了一种新的对比课程学习方法，解决了时间序列基础模型在建筑能源预测中的适应性不足问题。实验结果显示，该方法在零样本和少量样本情况下，模型性能提升了14.6%。

本研究提出了一种新的综合美学多模态大型语言模型，利用多尺度文本指导的自监督学习技术，克服传统图像美学评估的局限性。该模型在美学评分和个性化评估任务中设立了新基准，展现出卓越的美学洞察力和零样本学习能力。

本研究提出了一种基于大型语言模型的零样本3D关键点检测方法，首次在没有真实标签的情况下提取和命名3D模型的关键点。实验结果表明，该方法在标准测试中表现出竞争力，展示了语言模型在3D计算机视觉中的潜力。

本研究探讨了生成方法在环境音频零样本学习中的应用，采用新型扩散模型显著提高了分类准确率，为该领域提供了新的前景和基准。

本研究提出了一种视觉-语义图匹配网络（VSGMN），旨在提升传统零样本学习在未见类别识别中的表现。实验结果表明，VSGMN在多种场景下优于现有方法，具备实际应用潜力。

本研究探讨了语言模型逐字检索上下文信息能力的发展，发现该能力在训练初期发生显著转变，并与零样本学习相关。具体名词的检索优势在初期明显，但最终减弱，为理解语言模型的学习机制提供了重要见解。

该研究提出了一种名为CPLIP的无监督技术，用于增强组织病理学中的图像和文本对齐。CPLIP通过构建病理学词典和使用语言模型生成文本描述，利用多对多对比学习微调模型，实现复杂概念的模态对齐。在多个任务中，CPLIP在零样本学习中表现出色，超越现有方法，并提高了可解释性和鲁棒性。代码已发布在GitHub。