斯坦福、北大、清华等机构联合提出了一种名为 MindAgent 的新基础设施，用于评估游戏交互中的规划和协调新兴能力。

斯坦福团队研究了临床文本摘要的问题，探讨了大型语言模型 (LLMs) 在临床摘要任务中的表现。作者使用了八个 LLMs，涵盖了六个数据集和四个不同的摘要任务：放射学报告、患者问题、病程记录和医生 - 患者对话。

已开源！作者认为，语言代理是通向人工通用智能的有前途的方向，并发布了 一个开源库—Agents，旨在将这些进展开放给更广泛的非专业受众。

复旦大学团队探讨了大型语言模型（LLMs）在人工智能（AI）领域中的应用及其作为 AI 代理基础的潜力。

唐杰教授团队提出“高分辨率”图像生成方法：任意分辨率无缝衔接，极大降低训练和采样成本

清华大学提出了用于神经网络训练的 4 比特优化器，节省了模型训练的内存开销，同时能达到与全精度优化器相当的准确率。