MIT-IBM Watson AI实验室的研究人员开发了一种表达性更强的架构，能够在大型语言模型中实现更好的状态跟踪和长文本的顺序推理。

麻省理工学院CSAIL团队发现，即使是被认为“不可训练”的神经网络，在另一网络的内在偏置引导下，也能实现有效学习。

最新研究揭示了如何测试人工智能模型，确保其不会通过泄露匿名化患者健康数据而危害隐私。

尽管人工智能日益增长的能源需求令人担忧，但某些技术手段也能助力电网更清洁高效。

最新研究揭示了隐藏的错误相关性证据，并提出了提升模型准确性的方法。

格拉茨工业大学与格拉茨大学研究团队在《自然》发表研究，提出Riff-Diff方法，可围绕活性中心从零构建蛋白质结构，实验显示所设计酶具备更高活性与更强稳定性。

加州大学河滨分校团队提出“测试时匹配”（TTM）方法，在不引入新训练数据的前提下，大幅提升多模态模型的组合推理能力，并在部分基准上超越更大规模模型。

新研究发现，多种主流大型语言模型会从训练文本中“继承”人类社会中的“我们与他们”偏见，并在默认与角色设定等不同条件下表现出对内群体更积极、对外群体更消极的语言模式。研究团队还提出了名为 ION 的缓解方法，可显著降低相关情感差异。

在攻击技术高度动态、传统规则式防御日益受限的背景下，防御性人工智能通过结合机器学习与人工监督，正成为企业构建持续性网络防御能力的重要工具。

这家屡获奖项的人工智能企业表示，已完成从Sapientai到Sophelio的更名，并将继续聚焦面向复杂多模态系统的信号优先、来源驱动数据平台；其旗舰产品dFL计划于2月正式发布。