本研究提出了一种新方法，通过人类示范学习多样的双手灵巧技能。BiDexHD框架在多任务间共享行为，推动了通用双手操控的进展。在TACO数据集上，任务完成率达到84.59%，显示了其在零样本迁移方面的有效性。

该论文探讨了多语言预训练语言模型的研究进展，包括零样本迁移学习、结构化剪枝和翻译能力提升。研究提出动态稀疏化方法，以增强非英语语言模型的能力，并分析了多语言模型的偏见与挑战。实验结果表明，微调大型语言模型显著提高了翻译质量，尤其在多语言翻译任务中。

本文提出了一种基于二叉决策树的稀疏编码方法，应用于对象识别，展示了其有效性。研究了物体中心表示学习及其在多目标数据集上的表现，提出的新模型GENESIS-v2优于现有模型。此外，探讨了基于对象的学习如何提高视觉动力学预测的准确性，并提出了新的微调策略以增强零样本迁移能力。

本研究提出了GLEE，一个用于图像和视频中对象定位与识别的基础模型。GLEE通过统一框架实现检测、分割和跟踪等功能，具备强大的零样本迁移能力，适用于多模态任务。研究还探讨了基于语义部件分割的神经框架和细粒度few-shot识别方法，展示了其在目标解析和3D部分识别中的优越性能。

该文汇总多智能体路径规划与AI代理研究：提出通用计划及ASP-MAUPF系统避免冲突；将语言模型嵌入强化学习以提升探索与技能复用；UALA框架通过不确定性量化改进人机交互；PAIRED自动设计训练环境以提升零样本迁移；并探讨LLM时代AI对齐的经济学与代理问题。

本文提出首个多任务视觉变换器适配器，嵌入现成ViT骨干，可同时处理多个密集视觉任务，无需在新任务或领域上重训微调。其任务适应注意机制融合梯度与注意力相似度，学习通用任务关联，支持零样本迁移和无监督域适应，性能优于CNN及ViT多任务方法。

本文综述跨语言序列标注的迁移方法，包括标签投影、零样本迁移和去偏置学习。标记后翻译法（如EasyProject）优于词对齐法；高容量多语言模型在零样本场景下表现更佳；T-Projection和CROP等新框架显著提升F1值，低资源语言识别取得进展。

该文介绍了基于回归的离线GCRL算法GoFAR，通过状态匹配方法解决目标达成任务问题，实现了零样本迁移。实验证明，GoFAR在各种问题和任务中表现优异。