清华研究生团队推出的开源世界模型Motus，性能超越硅谷标杆40%。该模型整合视觉、语言、动作等五种智能范式，实现“看-想-动”的闭环，提升机器人预测能力，成功率达88%。Motus通过潜动作机制和三阶段训练流程，显著提高数据效率，标志着具身智能领域的重大突破。

尤洋教授指出，AI智能增长面临瓶颈，尽管算力在提升，但转化效率却在下降。智能的核心在于预测能力，未来需探索更高效的计算方式，以实现算力与智能的有效转化。

本研究探讨大型语言模型（LLMs）在预测暴力冲突方面的能力，发现其预训练权重中包含有意义的参数性知识。通过结合外部信息，模型在冲突趋势和死亡人数预测上显著提升，强调了整合外部知识的重要性。

本研究分析了不可预测工作安排对财务安全的影响，发现提高预测能力能显著增强长期效用，而不可预测性则加剧财务脆弱性。研究框架可用于评估改善排班不确定性的干预措施。

本研究针对德国戈斯拉尔和哥廷根地区洪水预警时间短的问题，提出了一种新的时空雷达降水模型（STRPMr），显著提升了洪水预测能力，尤其在捕捉极端事件和提高准确性方面表现优异。

本研究提出了一种通用评价尺度，解决了人工智能在新任务上的性能评估不足问题，显著提升了预测能力和可靠性。

本研究探讨了语言模型能力提升的误解，强调设计决策对下游性能的重要影响。分析92款预训练模型后发现，纳入其他设计特征可提升预测能力3-28%。

本研究探讨个体特质对团队表现的影响，通过分析模拟搜索与救援中的交流数据，识别团队特质及其与结果的相关性。研究表明，团队能力的变化可以通过个体特质推断，揭示了个体特质与团队动态对结果的预测能力。

本研究提出了一种基于神经常微分方程（NODEs）的可解释深度学习方法，旨在解决医疗领域的“黑箱”决策问题，提高模型透明度和预测能力，为未来研究提供新方向。

本研究提出了一种因果框架，评估图像质量指标与深度神经网络（DNN）鲁棒性之间的关系。结果表明，现有指标对DNN表现的预测能力较弱，而新指标能更有效地预测DNN性能，并支持大规模图像数据集的质量分布估计。

本研究提出FLARE框架，结合恒星物理特性与历史耀斑记录，解决了恒星耀斑预测模型的不足。实验结果显示，FLARE在各项评估指标上优于现有方法，展现出显著的预测能力和应用潜力。

本研究提出了一种新框架panCancerDR，旨在解决单细胞水平和临床背景下的药物反应预测问题。该方法通过提取不同癌症类型的细胞系表达特征，增强了对未见样本的预测能力，实验证明其在未见癌症类型的药物反应预测中表现优越，显示出实际应用潜力。

本研究提出了一种基于大型语言模型的软传感建模新框架LLM-TKESS，旨在解决数据驱动软传感器建模中的复杂性和数据单一性问题。该模型通过辅助变量编码器和双阶段微调策略，在小样本条件下展现出优异的预测能力，具有工业应用潜力。