P5是一个统一的推荐系统框架，通过将用户交互、描述和评论等数据转化为自然语言序列，实现个性化推荐。它在预训练阶段学习多种任务，具备良好的零样本泛化能力，有效提升推荐系统性能。

医学影像技术在诊断中至关重要，人工智能的发展推动了影像异常检测的进步。北京大学提出的MediCLIP方法能够在仅有少量正常影像的情况下有效检测异常，展现出良好的零样本泛化能力。

MediCLIP是一种高效的小样本医学影像异常检测方法，能够在仅有少量正常影像的情况下实现优异性能，适用于多种医学影像类型，并展现出良好的零样本泛化能力。

本研究提出EndoVLA模型，旨在解决传统内窥镜操作中对异常区域追踪能力不足和手动调优负担重的问题。该模型结合内窥镜图像与医生提示，整合视觉、语言和运动规划，采用双阶段策略，显著提升追踪性能和零样本泛化能力。

本文介绍了一种新型时间序列大模型PCTLM，克服了传统模型在复杂模式捕捉和零样本泛化能力上的不足。通过构建15亿样本的数据集和强化学习框架TPO，PCTLM在多个公开数据集上取得了SOTA效果，优于现有模型，并已成功应用于京东供应链系统。

本研究提出了统一框架Aether，旨在解决几何重建与生成建模的挑战。Aether通过联合优化实现几何感知推理，能够在没有真实数据的情况下进行零样本泛化，其重建性能超越领域特定模型，展现出在物理建模中的潜力。

本研究提出了EasyRef方法，利用多模态大语言模型解决传统方法在处理多张图像时缺乏交互的问题。实验结果表明，EasyRef在美学质量和零样本泛化能力上优于现有方法。

AI版《黑客帝国》由华人团队开发，能够生成720p高保真视频并实现实时交互，支持零样本泛化，结合游戏与现实场景数据，具备精确控制和流畅生成能力。

本研究提出了一种基于异构时空图的机器人导航框架，针对拥挤和受限环境中的导航问题。通过深度强化学习，该方法显著提高了导航的成功率和效率，并具备良好的零样本泛化能力。

本研究引入Llama-3-8B-Mob模型，解决了传统出行预测方法在多样化城市环境中的短期预测不足问题，实现了对未来15天的城市长期出行预测，结果优于现有方法，展现出强大的零样本泛化能力。

本研究提出了一种属性树提示学习方法，通过生成“概念-属性-描述”的结构化知识树，解决视觉-语言模型在提示学习中未充分利用类别名称上下文的问题。该方法引入视觉和文本提示，显著提升了零样本泛化、跨数据集迁移和少样本分类的性能。

本研究提出了一种通用抓握策略，通过模拟人手控制，设计了基于人手特征的统一动作空间。在不同机器人手上的成功率达80%，并具备良好的零样本泛化能力。

本研究讨论了第三届单目深度估计挑战赛（MDEC）的结果，重点关注挑战赛对SYNS-Patches数据集的零样本泛化。挑战赛接收了19份提交报告，其中有10份报告详细描述了他们的方法，突出了在方法核心使用了Depth Anything等基础模型的广泛应用。挑战赛获胜者将3D F-Score性能从17.51％提高到23.72％。