可以说是近来超级火爆、超级好出成果的方向！这不，光CVPR24、NeurIPS24上就有100多篇收录……主要在于：一方面，其涉及的细分方向和场景非常多，比较容易做微创新；且大模型、Mamba等新技术的发展和运用，也给领域提供了丰富的选题来源。另一方面，其比较容易做学科交叉，为我们提供新机会。比如把医学图像与多模态数据（基因组学、电子病历……）进行整和，结合AI的蛋白质结构预测等技术，做药物研发等

这不，英文达前脚刚中稿CVPR25，提出的MambaVision模型，打破了精度/吞吐瓶颈；后脚又推出了基于该架构的大模型Nemotron-H，速度狂提300%；就在前几天，腾讯也推出了混元T1大模型；各大顶会也不乏其身影……其热度可见一斑！主要在于：一方面，Mamba具有线性复杂度，Transformer能捕捉长期依赖关系，两者优势互补，显著提升模型在精度、吞吐量和长序列处理上的性能。而速度提升

其不仅能极大提升预测的准确性、稳定性，还能降低计算复杂度，尤其是处理复杂时序数据时！LSTM长于捕捉短期依赖和局部特征，而Transformer则擅长捕捉长期依赖和全局特征，当两者融合时，便能精准地挖掘到数据中的复杂模式与趋势，应对数据中的噪声干扰。值得一提的是，该思路能够使用的场景也非常丰富，像是电力负荷预测、能源管理、自动驾驶、医疗监测……我们结合具体场景的需求和数据集，便能进行微创新。此外，

一方面，其是近年新兴的方向，还不算卷。且Sora等模型发布后，扩散模型技术进步飞快，给我们论文创新提供了诸多机会。比如近期谢赛宁团队便发布新作，开创扩散模型新范式。另一方面，扩散模型在提升时序模型性能方面，不可替代！比如模型Diffusion-TS便在90％的数据缺失率时，实现了预测误差直降84.9％的炸裂效果！这是因为时序数据通常具有高度的连续性和动态性，传统方法往往难以捕捉其内在的复杂规律。而

因为要梳理进展，最近读了大量论文，发现在各大顶会，这，而且都还不怎么卷，创新机会很多！·频域+时间序列：以往只关注时域，近来频域研究引起关注，原本时域的方法，都可以在频域再做一遍；·扩散模型+时间序列：Sora等的爆发，把其推到新高度！能够生成符合特定统计特性的时间序列数据，来捕捉时间序列的动态特性，使预测更精准。时间序列新范式！克服了传统时序在多尺度时序数据方面的局限，提升了对新数据集的适应性。

一方面，SAM才提出一年多，基于它做目标检测，还在蓝海阶段，创新机会很多！且在CVPR、NeurIPS等顶会上，也有不少成果供我们参考。比如性能飙升82.31％的SAM-PM；免训练的VL-SAM……另一方面，它在提高检测准确性、泛化性等方面，具有不可替代的作用！与传统目标检测算法相比，SAM不仅能更准确、高效地分割出图像中的目标对象，还能处理复杂场景中的多个目标，这对提高检测性能大有裨益！更特别

与传统机器学习需要大量标注数据不同，主要专注于，如何利用少量数据进行有效学习，尤其适用于那些标注数据稀缺的场景。因此，其在医学影像、工业异常检测、图像分类和分割等任务中，备受青睐。且其由于是新兴方向，应用场景又多样，目前比较还好出创新。比如模型TabPFN，便通过该方法，在表格处理任务中实现了精度、速度的双飙升，登上Nature正刊！为让大家能够紧跟领域前沿，掌握领域的主流研究方法，我给大家，原文

简介：OpenAgents是一个开放平台，专注于日常使用和托管语言智能体，它为非专家用户提供了通过Web界面与智能体交互的便利，为开发人员提供了本地部署的选项，并且支持多种类型的智能体，包括基于规则的智能体和基于机器学习的智能体。它还提供了丰富的工具和接口，方便开发者定制和扩展智能体的功能和行为。今天就给大家汇总一下GitHub上热门的智能体框架，最高的星标有33K+，还整理了对应的论文，不管你是

是当前AI领域非常热门且有前景的方向！想发论文的伙伴不要错过！它结合了因果推断和机器学习的核心思想，为解决传统机器学习在可解释性、鲁棒性等方面的局限提供了新方案。这便意味着，以往对这些性能要求高的领域（金融、医学……），都可以用该思路重做一遍，创新空间广阔。此外，其在解决实际问题中也有非常独特的优势，像是干预效果预估、反事实推理等，实用价值很高！当下好中稿的方向有：结合医学场景做深化应用、探索因果

全新里程碑！RL之父Richard Stutton团队，提出一种奖励聚中思想，能大幅增强所有RL算法！也即：通过从观察到的奖励中减去平均奖励，来提高连续强化学习问题中折扣方法的性能！除此以外，在Science、NeurIps等顶会顶刊上，也都涌现了不少研究。像是性能飙升60％的CMTA；吞吐量提升10倍的SACD-A……其热度可见一斑！主要在于，强化学习在大模型等的发展中，无可替代，更是实现通用人