中国移动在世界人工智能大会上推出MoMA聚合服务引擎，旨在通过自动匹配优质模型和智能体来解决复杂任务。该引擎能够动态调度模型，提高效率、降低成本，支持多种应用场景，推动人工智能产业发展。

本文介绍了多语言生成模型的创新研究，采用混合专家（MoE）架构和深度学习技术，提升了样本效率和推断速度。开发了FuseMoE和Uni-MoE等高效模型，能够处理多模态数据并改善预测性能，准确率达到99.95%。研究还提供了开源资源，促进相关领域发展。

该论文提出了一种多模态大型语言模型（MLLM），结合文本和图像编码器，提升了图像检索、生成和对话能力。研究显示该模型在多个基准测试中表现优越，尤其在多对象处理和图像编辑方面。引入的Mixture-Of-Memory增强机制提高了模型的零样本泛化能力，强调了多模态预训练的重要性。

本文研究了模型在强化学习算法中的使用，提出了一种基于模型的算法，并探讨了模型在策略优化中的作用。通过将模型泛化能力的经验估计纳入到分析中，证明了模型的使用是合理的。作者展示了一种简单的方法，使用短模型生成滚动数据，具有更好的样本效率，可以匹配最佳无模型算法的性能，并能处理其他算法不能处理的问题。

该研究提出了一种高效的网络结构，通过从训练充分的医学图像分割网络中提炼知识来训练另一个轻量级网络，从而提高了分割能力。实验结果显示，轻量级网络性能提高了32.6％，并在LiTS17和KiTS19两个公共CT数据集上进行了验证。