Java平台通过外部函数与内存访问API（FFM API）简化了与本地库的交互，提供了内存段模型和描述本地函数的API，并通过jextract工具自动生成访问代码，提升了安全性和易用性。

FFM API在Java 22中最终确定，提供安全的本地内存和函数访问。与Unsafe相比，FFM API通过MemorySegment类实现边界、活性和对齐检查，确保安全性。尽管单次访问性能较低，但在循环中多次访问时性能差距缩小。优化访问模式和使用reinterpret方法可进一步提升性能。总体而言，FFM在安全性与性能之间取得平衡。

The Foreign Function & Memory API is safer than Unsafe and almost as fast.

本文探讨了YOLO系列目标检测模型的改进，重点分析了YOLOv5、YOLOv8和YOLOv10。研究表明，这些模型通过结构和参数优化，在小目标检测和行人识别等任务中显著提高了准确性和效率，尤其在资源受限环境中的应用表现优异。

清华大学的研究人员在Nature杂志上发表了一篇关于使用光学系统进行神经网络训练的论文。他们提出了一种全前向模式（FFM）的训练方法，通过光学系统直接执行训练过程，克服了传统基于数字计算机模拟的限制。研究人员通过实验证明，FFM方法具有高准确率、高分辨率的聚焦能力，并且可以在散射介质中实现并行成像视线之外的物体。此外，FFM方法还可以自动搜索非厄米特系统中的异常点。

本文探讨了大型语言模型（LLMs）在时间序列预测中的有效性，尤其是在少样本和零样本学习场景下。研究发现，结合股票价格、公司元数据和历史新闻等多模态信号，使用GPT-4和Open LLaMA等模型的预测性能优于传统模型，如ARMA-GARCH和梯度提升树。引入外部知识和自然语言改写有助于提升预测效果，同时探讨了联邦学习与基础模型的结合，以增强隐私保护和可扩展性。