本研究提出DeCo方法，解决传统IC测试任务分配中缺乏缺陷特征与工程师专业知识整合的问题。通过构建缺陷感知图，实现高效任务分配，成功率超过80%。

DECO框架旨在提升企业级聊天机器人的开发与管理效率。其创新功能如NL2SearchQuery和分层规划，能够有效获取信息、简化工程任务并加速事故解决，自2023年9月推出以来已在多个组织中得到验证。

我们提出了一种新的生成模型——Motion Flow Matching，用于人体动作生成。该模型具有高效的采样速度和在运动编辑应用中的有效性。我们的方法将采样复杂度从以前的数千步减少到仅十步，并在基准测试中达到可比较的性能。我们的方法在KIT-ML数据集上创造了新的最先进的Fréchet Inception Distance，并应用于各种编辑场景。我们的代码将会发布。

Cascade-DETR是一种用于通用目标检测的方法，通过级联注意力层解决了泛化和定位准确性问题。它还改进了查询评分，提高了置信度的校准性。引入了UDB10作为通用目标检测基准，取得了显著的改进效果。