研究人员推出HarmonyGNN训练技术，显著提升图神经网络（GNN）准确性。GNN专门处理由节点和边组成的图形数据，广泛应用于药物发现、天气预测等领域。传统GNN训练依赖半监督学习，而新方法通过优化处理节点间同质性与异质性关系，提高了模型性能。
英伟达发布DLSS5，引入实时神经网络渲染模型，利用生成式AI技术实现游戏画面的逼真效果，标志着图形技术迎来“GPT时刻”。
日联科技推出国内首个工业X射线AI图像增强系统UEX，基于自研视觉大模型与大规模数据集，解决了传统算法在成像质量、场景适应性和效率上的难题。该系统深度融合深度学习与X射线成像，通过神经网络实现去噪、去模糊等功能，为半导体、新能源等产业提供智能检测支持。
DeepSeek研究发现，通过优化神经网络架构而非单纯扩大模型规模，可显著提升大语言模型推理能力。其“流形约束超连接”技术对现有架构进行微调，为AI发展提供了不依赖无限增加参数的新路径。
神经网络扩散模型实现
Openai
$2.8
Input tokens/M
$11.2
Output tokens/M
1k
Context Length
Google
$0.49
$2.1
Xai
$1.4
$3.5
2k
$7.7
$30.8
200
-
Anthropic
$105
$525
$0.7
$7
$35
$17.5
$21
Alibaba
$4
$16
$1
$10
256
$2
$20
$6
$24
Baidu
128
Maxlegrec
BT4模型是LeelaChessZero引擎背后的神经网络模型，专门用于国际象棋对弈。该模型基于Transformer架构设计，能够根据历史走法预测最佳下一步走法、评估棋局形势并生成走法概率。
silx-ai
TARS-1B是一个拥有10亿参数的非Transformer液态神经网络语言模型，完全从头构建，采用创新的液态神经网络架构，专为连续时间推理和高效泛化而设计。该模型仅使用3亿个令牌进行预训练，在多个基准测试中展现出令人印象深刻的性能。
jfkback
Hypencoder是一种用于信息检索的超网络模型，包含文本编码器和Hypencoder两部分，能够将文本转换为小型神经网络并输出相关性分数。
Hypencoder是一种用于信息检索的双编码器模型，包含文本编码器和超网络（Hypencoder），能够将文本转换为小型神经网络用于计算相关性分数。
Srivardhan369
基于卷积神经网络(CNN)的脑肿瘤图像分类模型，使用标注过的脑部肿瘤MRI影像数据集训练
magic-leap-community
SuperGlue是一种基于图神经网络的特征匹配模型，用于匹配图像中的兴趣点，适用于图像匹配和姿态估计任务。
SuperGlue是一个基于图神经网络的图像特征匹配模型，能够联合寻找对应关系并拒绝不可匹配的点，适用于在具有挑战性的室内外环境中进行姿态估计和图像匹配。
Diginsa
MobileNet V2是一种轻量级的卷积神经网络，专为移动设备设计，在延迟、模型大小和准确性之间取得平衡。
Xenova
Intel开发的混合深度估计模型，结合了卷积神经网络和Transformer架构的优势
PORTULAN
Albertina 1.5B PTBR 是一个面向巴西葡萄牙语变体的基础大型语言模型，属于BERT家族的编码器，基于Transformer神经网络架构，并在DeBERTa模型基础上开发。
Albertina 100M PTBR是一个面向巴西葡萄牙语的基础大语言模型，属于BERT家族的编码器，基于Transformer神经网络架构，并在DeBERTa模型基础上开发。
Albertina 100M PTPT 是一个面向欧洲葡萄牙语（葡萄牙）的基础大语言模型，属于BERT家族的编码器，基于Transformer神经网络架构，并在DeBERTa模型基础上开发。
aisingapore
这是一个利用动量编码器和硬负样本挖掘的神经网络模型，用于评估文本的连贯性。
google
MobileNet V1是一种轻量级卷积神经网络，专为移动设备设计，在图像分类任务中平衡了延迟、模型大小和准确率。
keras-io
使用LSTM神经网络进行时间序列预测的天气温度模型，基于德国耶拿气象站数据
facebook
LeViT-192是一种结合了卷积神经网络和Transformer架构的视觉模型，专注于图像分类任务。
microsoft
CvT-13是一种结合卷积神经网络和视觉变换器的混合架构模型，在ImageNet-1k数据集上预训练完成，适用于图像分类任务。
glasses
ResNet50是基于深度残差学习实现的图像分类模型，通过残差连接解决了深度神经网络中的梯度消失问题。
这是一个基于大规模神经网络的开放领域对话模型，能够融合多种对话技能进行自然交流。
DETR是一个结合卷积神经网络与Transformer的端到端目标检测模型，支持全景分割任务。
GNNEPCSAFT MCP Server是基于模型上下文协议(MCP)的实现，用于GNNePCSAFT工具的热力学计算。它通过图神经网络(GNN)预测ePC-SAFT参数，支持纯物质和混合物的密度、蒸汽压等热力学性质计算，并能自动从PubChem获取分子数据。
%20--%3e%3cdefs%3e%3cstyle%3e%20.st0%20{%20fill:%20%23061b40;%20}%20.st1%20{%20fill:%20%23306af1;%20}%20.st2%20{%20fill:%20%235ce5cf;%20}%20%3c/style%3e%3c/defs%3e%3cg%3e%3cpath%20class='st0'%20d='M55,10.5h9v3h-9v9h12V7.5h-12v3ZM64,19.5h-6v-3h6v3Z'/%3e%3cpolygon%20class='st0'%20points='69%2016.5%2078%2016.5%2078%2019.5%2069%2019.5%2069%2022.5%2081%2022.5%2081%2013.5%2072%2013.5%2072%2010.5%2081%2010.5%2081%207.5%2069%207.5%2069%2016.5'/%3e%3cpolygon%20class='st0'%20points='95%2010.5%2095%207.5%2083%207.5%2083%2022.5%2095%2022.5%2095%2019.5%2086%2019.5%2086%2016.5%2095%2016.5%2095%2013.5%2086%2013.5%2086%2010.5%2095%2010.5'/%3e%3cpath%20class='st0'%20d='M40,1.5v21h11.6l1.4-1.4v-7.6h0c0,0-1.4-1.5-1.4-1.5l1.4-1.4V2.9l-1.4-1.4h-11.6ZM50,19.5h-7v-6h7v6ZM50,10.5h-7v-6h7v6Z'/%3e%3c/g%3e%3cpath%20class='st1'%20d='M23.1,24L14.7,4.8l-4.9,11.2h3.8l-1.8,4H3.3L12.1,0H2C.9,0,0,.9,0,2v20c0,1.1.9,2,2,2h21.1Z'/%3e%3cpath%20class='st2'%20d='M34,0h-16.8l10.6,24h6.2c1.1,0,2-.9,2-2V2C36,.9,35.1,0,34,0ZM32.5,20h-4V4h4v16Z'/%3e%3c/svg%3e)
