Ein Forschungsteam von Microsoft Research, der University of Washington und Providence Genomics hat GigaTIME entwickelt, ein multimodales KI-Framework. Dieses Framework, basierend auf fortschrittlichen multimodalen Lernverfahren, generiert virtuelle mIF-Karten aus herkömmlichen H&E-gefärbten Gewebeschnitten. Das Forschungsteam wandte es auf eine Kohorte von über 14.000 Krebspatienten am Providence Medical Center an, die 24 Krebsarten und 306 Subtypen umfasste. Dabei entstanden fast 300.000 virtuelle mIF-Bilder, wodurch eine systematische Modellierung der Tumor-Immunmikroumgebung in einer großen und heterogenen Population erreicht wurde.

Ein Forschungsteam des MIT, der Technischen Universität München und der Polytechnischen Universität Valencia hat DiffSyn innovativ vorgeschlagen – ein generatives Diffusionsmodell, das mit mehr als 23.000 generativen Rezepten aus der Literatur der letzten 50 Jahre trainiert wurde.

Das Forschungsteam von Polymathic AI hat Walrus vorgestellt, ein fundamentales Modell, das auf der Transformer-Architektur basiert und primär für die Simulation von Kontinuumsdynamiken mit fluidähnlichen Eigenschaften entwickelt wurde. Walrus deckt in seiner Vortrainingsphase 19 sehr unterschiedliche physikalische Szenarien ab, die verschiedene Bereiche wie Astrophysik, Geowissenschaften, Rheologie, Plasmaphysik, Akustik und klassische Fluiddynamik umfassen. Die Ergebnisse zeigen, dass Walrus bisherige fundamentale Modelle sowohl bei kurz- als auch bei langfristigen Vorhersagen für nachgelagerte Aufgaben übertrifft.

Das WeChat-KI-Team von Tencent hat WeDLM vorgestellt, das erste Diffusions-Sprachmodell, das vergleichbare AR-Modelle hinsichtlich der Inferenzgeschwindigkeit unter Optimierung durch eine industrielle Inferenzmaschine (vLLM) übertrifft. Das „WeDLM High-Efficiency Large Language Model Decoding Framework“ ist jetzt im Bereich „Tutorials“ auf der HyperAI-Website verfügbar; dieser Artikel bietet eine detaillierte Anleitung.

Wissenschaftler des Oak Ridge National Laboratory des US-Energieministeriums haben eine verteilte, kanalübergreifende hierarchische Aggregationsmethode (D-CHAG) für Basismodelle vorgeschlagen. Diese Methode verteilt den Tokenisierungsprozess und verwendet eine hierarchische Strategie zur Kanalaggregation, wodurch extrem große Modelle auf Mehrkanal-Datensätzen ausgeführt werden können.

2.2-2.6 Ausgewählte KI-Veröffentlichungen

Inspiriert vom neuen Modell von DeepSeek hat das Genos-Team, bestehend aus Forschern von BGI Genomics und dem Zhejiang Zhijiang Laboratory, ein spezielles „Plug-in“ für die Genommodellierung entwickelt: Gengram (Genomic Engram). Mit nur etwa 20 Millionen Parametern hat es die bisherigen Bestleistungen (SOTA) für zahlreiche Genomaufgaben übertroffen und bietet eine revolutionäre Lösung zur Überwindung des Flaschenhalses der Genommodellierung.

HyperAl hat von Version 2.2 bis 2.6 eine Reihe äußerst wertvoller und breit anwendbarer Tutorials und Datensätze zusammengestellt, die verschiedene Bereiche wie intelligente Agenten, Computer Vision und TTS abdecken.

HyperAl hat vom 26. bis 30. Januar eine Reihe äußerst wertvoller und breit anwendbarer Tutorials und Datensätze zusammengestellt, die verschiedene Bereiche wie intelligente Agenten, Computer Vision und TTS abdecken.

Aktuell treiben großflächige, mehrbandige Himmelsdurchmusterungen mit großem Sichtfeld und hoher Bildtiefe die Astronomie in ein beispielloses datenintensives Zeitalter. Mit der Inbetriebnahme von Weltraumteleskopen der nächsten Generation wie dem Euclid-Weltraumteleskop, dem Rubin-Observatorium und dem Roman-Weltraumteleskop wird das Universum systematisch in einem noch nie dagewesenen Umfang und mit noch nie dagewesener Präzision kartiert. Von diesen Beobachtungen wird erwartet, dass sie [...]

Ausgewählte KI-Beiträge (26.-30. Januar)

Das Robotik-Startup Skild AI hat in einer Serie-C-Finanzierungsrunde 1,4 Milliarden US-Dollar eingesammelt und wird damit mit über 14 Milliarden US-Dollar bewertet. Die Runde wurde von der japanischen SoftBank Group angeführt, mit Beteiligung strategischer Investoren wie NVentures (Nvidia), Macquarie Capital und Bezos Expeditions (gegründet von Amazon-Gründer Jeff Bezos). Auch Samsung, LG, Schneider Electric und Salesforce Ventures beteiligten sich.

Ein gemeinsames Forschungsteam von Basecamp Research, NVIDIA und mehreren führenden akademischen Einrichtungen hat die EDEN-Serie metagenomischer Basismodelle entwickelt. Durch die Analyse umfangreicher natürlicher Evolutionsdaten, die verschiedene Arten umfassen und mit Umweltinformationen verknüpft sind, konnten sie erstmals systematisch die tiefgreifende „Grammatik“ und die universellen Prinzipien des biologischen Designs extrahieren.

Die „TRELLIS.2 3D-Generierungsdemo“ ist jetzt auf der HyperAI-Website (hyper.ai) im Bereich „Tutorials“ verfügbar. Erleben Sie die effiziente Generierung von 3D-Modellen!

Ein Forschungsteam der University of California entwickelte eine spezielle Photonenfallenstruktur (PTST) auf der Oberfläche einer Standard-Silizium-Photodiode und integrierte ein hochgradig rauschunempfindliches, vollständig vernetztes neuronales Netzwerk. Dieses Netzwerk kann das ursprüngliche Spektrum intelligent berechnen und direkt aus dem vom Bauelement gemessenen Photostromsignal rekonstruieren. Dadurch erzielt das Spektrometer nicht nur ein höheres Signal-Rausch-Verhältnis bei längeren Wellenlängen, sondern übertrifft auch die Gesamtleistung herkömmlicher Silizium-basierter Spektrometer.

HyperAl hat von Version 1.12 bis 1.16 eine Reihe äußerst wertvoller und breit anwendbarer Tutorials und Datensätze zusammengestellt, die verschiedene Bereiche wie intelligente Agenten, Computer Vision und TTS abdecken.

Ausgewählte KI-Beiträge (19.-23. Januar)

Dieser Artikel stellt systematisch eine Reihe hochwertiger Datensätze, Online-Tutorials und Fachartikel zum Thema verkörperte Intelligenz zusammen und dient als Grundlage für weiterführendes Lernen und Forschen. Besuchen Sie hyper.ai, um weitere hochwertige Ressourcen zu entdecken!

Ein Forschungsteam der Goethe-Universität hat das „humane E3-Ligase-Genom“ mithilfe von metrischem Lernen klassifiziert. Dabei wurden Daten verschiedener Ebenen integriert, darunter Proteinsequenzen, Domänenzusammensetzung, dreidimensionale Struktur, Funktion und Expressionsmuster. Diese Methode erweitert die traditionelle Klassifizierung von E3-Enzymen (RING-, HECT- und RBR-Klassen) um atypische Mechanismen, klärt erfolgreich funktionelle Unterteilungen auf, unterscheidet zwischen Multisubunit-Komplexen und monomeren Enzymen und ordnet E3-Enzyme Substraten und potenziellen Wirkstoffzielen zu.

Ein Forschungsteam der Yale University hat kürzlich das MOSAIC-Modell vorgestellt. Dieses Modell transformiert ein generalisiertes Big-Language-Modell in ein kollaboratives System, das aus zahlreichen spezialisierten Chemieexperten besteht. Durch professionelle Arbeitsteilung werden Modellillusionen effektiv unterdrückt, eine quantifizierbare Unsicherheitsbewertung ermöglicht und die systematische Generierung von der Reaktionsbeschreibung bis zum vollständigen Versuchsplan realisiert. Es wird erwartet, dass es die Effizienz der wissenschaftlichen Forschung in Bereichen wie der Wirkstoffforschung und der Materialentwicklung deutlich steigern wird.

Das „GLM – Präzises semantisches High-Fidelity-Bildgenerierungsmodell“ ist jetzt im Tutorial-Bereich der HyperAI-Website (hyper.ai) verfügbar. Lassen Sie Ihrer Kreativität freien Lauf!

Ein Forschungsteam der Tsinghua-Universität und der Universität Chicago untersuchte systematisch die tatsächlichen Auswirkungen von KI-Werkzeugen auf die wissenschaftliche Forschung. Dazu nutzten sie einen umfangreichen Datensatz mit 41,3 Millionen naturwissenschaftlichen Publikationen und Daten von 5,37 Millionen Wissenschaftlern aus dem Zeitraum von 1980 bis 2025. Die Studie ergab, dass KI zwar die individuelle Forschungsleistung und den akademischen Einfluss deutlich steigert, gleichzeitig aber zu einer Verengung des Wissensraums und einer Konzentration der akademischen Interaktion auf kollektiver Ebene führt. Indem KI-Forschung mithilfe von Sprachmodellen identifiziert und Innovationsindikatoren wie die „Wissensbreite“ eingeführt werden, deckt die Studie die bisher übersehenen strukturellen Kosten von KI in der Wissenschaft auf und liefert wichtige Erkenntnisse darüber, wie KI das Forschungsökosystem umgestaltet.

HyperAl hat von Version 1.12 bis 1.16 eine Reihe äußerst wertvoller und breit anwendbarer Tutorials und Datensätze zusammengestellt, die verschiedene Bereiche wie intelligente Agenten, Computer Vision und TTS abdecken.

„Qwen-Image-2512: Realistischere Porträts und Naturlandschaften erstellen“ ist jetzt im Tutorial-Bereich der HyperAI-Website (hyper.ai) verfügbar. Lassen Sie Ihrer Kreativität freien Lauf!

Ein gemeinsames Forschungsteam der Princeton University und der Colorado School of Mines hat eine effiziente, auf maschinellem Lernen basierende Vorhersagemethode entwickelt. Diese Methode nutzt ein umfangreiches Sprachmodell, um die freie Energie direkt aus der Struktursequenz von MOFs vorherzusagen. Dadurch werden die Rechenkosten deutlich reduziert und eine skalierbare, hochdurchsatzfähige thermodynamische Bewertung von MOFs ermöglicht.

HyperAl hat vom 8. bis 12. Dezember eine Reihe äußerst wertvoller und breit anwendbarer Tutorials und Datensätze zusammengestellt, die verschiedene Bereiche wie intelligente Agenten, Computer Vision und TTS abdecken. (Termine und repräsentative Bereiche werden je nach den tatsächlichen Gegebenheiten angepasst.)

Im Jahr 2025 wird die bisherige Erfolgsgeschichte der KI-Branche grundlegend umgekrempelt. Angesichts von Milliardeninvestitionen und schleppendem Umsatzwachstum ist die Frage nach einer „Blase“ bereits jetzt berechtigt. Vom Einbruch der Marktkapitalisierung von Alphabet um 200 Milliarden Dollar bis hin zum verheerenden Verlustloch von ChatGPT scheint die Technologie gezwungen, sich dem Pragmatismus zu beugen.

CleaveNet, ein KI-basierter, durchgängiger Designprozess, der von einem gemeinsamen Team des MIT und der Harvard University entwickelt wurde, soll diese Herausforderung bewältigen. Durch die Zusammenarbeit prädiktiver und generativer Modelle zielt dieser Prozess darauf ab, das bestehende Paradigma des Proteasesubstrat-Designs grundlegend zu verändern und völlig neue Lösungen für die Grundlagenforschung und die biomedizinische Entwicklung zu bieten.

Das „HY-MT1.5-1.8B: Multilingual Neural Machine Translation Model“ ist jetzt auf der HyperAI-Website (hyper.ai) im Tutorial-Bereich verfügbar. Überzeugen Sie sich selbst von seinen blitzschnellen Übersetzungsfunktionen!

Der 8. Meet AI Compiler Technical Salon in 2025 wurde am 27. Dezember erfolgreich an der Shanghai Innovation Academy abgeschlossen.

Ein Forschungsteam von Microsoft Research, der University of Washington und Providence Genomics hat GigaTIME entwickelt, ein multimodales KI-Framework. Dieses Framework, basierend auf fortschrittlichen multimodalen Lernverfahren, generiert virtuelle mIF-Karten aus herkömmlichen H&E-gefärbten Gewebeschnitten. Das Forschungsteam wandte es auf eine Kohorte von über 14.000 Krebspatienten am Providence Medical Center an, die 24 Krebsarten und 306 Subtypen umfasste. Dabei entstanden fast 300.000 virtuelle mIF-Bilder, wodurch eine systematische Modellierung der Tumor-Immunmikroumgebung in einer großen und heterogenen Population erreicht wurde.

Ein Forschungsteam des MIT, der Technischen Universität München und der Polytechnischen Universität Valencia hat DiffSyn innovativ vorgeschlagen – ein generatives Diffusionsmodell, das mit mehr als 23.000 generativen Rezepten aus der Literatur der letzten 50 Jahre trainiert wurde.

Das Forschungsteam von Polymathic AI hat Walrus vorgestellt, ein fundamentales Modell, das auf der Transformer-Architektur basiert und primär für die Simulation von Kontinuumsdynamiken mit fluidähnlichen Eigenschaften entwickelt wurde. Walrus deckt in seiner Vortrainingsphase 19 sehr unterschiedliche physikalische Szenarien ab, die verschiedene Bereiche wie Astrophysik, Geowissenschaften, Rheologie, Plasmaphysik, Akustik und klassische Fluiddynamik umfassen. Die Ergebnisse zeigen, dass Walrus bisherige fundamentale Modelle sowohl bei kurz- als auch bei langfristigen Vorhersagen für nachgelagerte Aufgaben übertrifft.

Das WeChat-KI-Team von Tencent hat WeDLM vorgestellt, das erste Diffusions-Sprachmodell, das vergleichbare AR-Modelle hinsichtlich der Inferenzgeschwindigkeit unter Optimierung durch eine industrielle Inferenzmaschine (vLLM) übertrifft. Das „WeDLM High-Efficiency Large Language Model Decoding Framework“ ist jetzt im Bereich „Tutorials“ auf der HyperAI-Website verfügbar; dieser Artikel bietet eine detaillierte Anleitung.

Wissenschaftler des Oak Ridge National Laboratory des US-Energieministeriums haben eine verteilte, kanalübergreifende hierarchische Aggregationsmethode (D-CHAG) für Basismodelle vorgeschlagen. Diese Methode verteilt den Tokenisierungsprozess und verwendet eine hierarchische Strategie zur Kanalaggregation, wodurch extrem große Modelle auf Mehrkanal-Datensätzen ausgeführt werden können.

2.2-2.6 Ausgewählte KI-Veröffentlichungen

Inspiriert vom neuen Modell von DeepSeek hat das Genos-Team, bestehend aus Forschern von BGI Genomics und dem Zhejiang Zhijiang Laboratory, ein spezielles „Plug-in“ für die Genommodellierung entwickelt: Gengram (Genomic Engram). Mit nur etwa 20 Millionen Parametern hat es die bisherigen Bestleistungen (SOTA) für zahlreiche Genomaufgaben übertroffen und bietet eine revolutionäre Lösung zur Überwindung des Flaschenhalses der Genommodellierung.

HyperAl hat von Version 2.2 bis 2.6 eine Reihe äußerst wertvoller und breit anwendbarer Tutorials und Datensätze zusammengestellt, die verschiedene Bereiche wie intelligente Agenten, Computer Vision und TTS abdecken.

HyperAl hat vom 26. bis 30. Januar eine Reihe äußerst wertvoller und breit anwendbarer Tutorials und Datensätze zusammengestellt, die verschiedene Bereiche wie intelligente Agenten, Computer Vision und TTS abdecken.

Aktuell treiben großflächige, mehrbandige Himmelsdurchmusterungen mit großem Sichtfeld und hoher Bildtiefe die Astronomie in ein beispielloses datenintensives Zeitalter. Mit der Inbetriebnahme von Weltraumteleskopen der nächsten Generation wie dem Euclid-Weltraumteleskop, dem Rubin-Observatorium und dem Roman-Weltraumteleskop wird das Universum systematisch in einem noch nie dagewesenen Umfang und mit noch nie dagewesener Präzision kartiert. Von diesen Beobachtungen wird erwartet, dass sie [...]

Ausgewählte KI-Beiträge (26.-30. Januar)

Das Robotik-Startup Skild AI hat in einer Serie-C-Finanzierungsrunde 1,4 Milliarden US-Dollar eingesammelt und wird damit mit über 14 Milliarden US-Dollar bewertet. Die Runde wurde von der japanischen SoftBank Group angeführt, mit Beteiligung strategischer Investoren wie NVentures (Nvidia), Macquarie Capital und Bezos Expeditions (gegründet von Amazon-Gründer Jeff Bezos). Auch Samsung, LG, Schneider Electric und Salesforce Ventures beteiligten sich.

Ein gemeinsames Forschungsteam von Basecamp Research, NVIDIA und mehreren führenden akademischen Einrichtungen hat die EDEN-Serie metagenomischer Basismodelle entwickelt. Durch die Analyse umfangreicher natürlicher Evolutionsdaten, die verschiedene Arten umfassen und mit Umweltinformationen verknüpft sind, konnten sie erstmals systematisch die tiefgreifende „Grammatik“ und die universellen Prinzipien des biologischen Designs extrahieren.

Die „TRELLIS.2 3D-Generierungsdemo“ ist jetzt auf der HyperAI-Website (hyper.ai) im Bereich „Tutorials“ verfügbar. Erleben Sie die effiziente Generierung von 3D-Modellen!

Ein Forschungsteam der University of California entwickelte eine spezielle Photonenfallenstruktur (PTST) auf der Oberfläche einer Standard-Silizium-Photodiode und integrierte ein hochgradig rauschunempfindliches, vollständig vernetztes neuronales Netzwerk. Dieses Netzwerk kann das ursprüngliche Spektrum intelligent berechnen und direkt aus dem vom Bauelement gemessenen Photostromsignal rekonstruieren. Dadurch erzielt das Spektrometer nicht nur ein höheres Signal-Rausch-Verhältnis bei längeren Wellenlängen, sondern übertrifft auch die Gesamtleistung herkömmlicher Silizium-basierter Spektrometer.

HyperAl hat von Version 1.12 bis 1.16 eine Reihe äußerst wertvoller und breit anwendbarer Tutorials und Datensätze zusammengestellt, die verschiedene Bereiche wie intelligente Agenten, Computer Vision und TTS abdecken.

Ausgewählte KI-Beiträge (19.-23. Januar)

Dieser Artikel stellt systematisch eine Reihe hochwertiger Datensätze, Online-Tutorials und Fachartikel zum Thema verkörperte Intelligenz zusammen und dient als Grundlage für weiterführendes Lernen und Forschen. Besuchen Sie hyper.ai, um weitere hochwertige Ressourcen zu entdecken!

Ein Forschungsteam der Goethe-Universität hat das „humane E3-Ligase-Genom“ mithilfe von metrischem Lernen klassifiziert. Dabei wurden Daten verschiedener Ebenen integriert, darunter Proteinsequenzen, Domänenzusammensetzung, dreidimensionale Struktur, Funktion und Expressionsmuster. Diese Methode erweitert die traditionelle Klassifizierung von E3-Enzymen (RING-, HECT- und RBR-Klassen) um atypische Mechanismen, klärt erfolgreich funktionelle Unterteilungen auf, unterscheidet zwischen Multisubunit-Komplexen und monomeren Enzymen und ordnet E3-Enzyme Substraten und potenziellen Wirkstoffzielen zu.

Ein Forschungsteam der Yale University hat kürzlich das MOSAIC-Modell vorgestellt. Dieses Modell transformiert ein generalisiertes Big-Language-Modell in ein kollaboratives System, das aus zahlreichen spezialisierten Chemieexperten besteht. Durch professionelle Arbeitsteilung werden Modellillusionen effektiv unterdrückt, eine quantifizierbare Unsicherheitsbewertung ermöglicht und die systematische Generierung von der Reaktionsbeschreibung bis zum vollständigen Versuchsplan realisiert. Es wird erwartet, dass es die Effizienz der wissenschaftlichen Forschung in Bereichen wie der Wirkstoffforschung und der Materialentwicklung deutlich steigern wird.

Das „GLM – Präzises semantisches High-Fidelity-Bildgenerierungsmodell“ ist jetzt im Tutorial-Bereich der HyperAI-Website (hyper.ai) verfügbar. Lassen Sie Ihrer Kreativität freien Lauf!

Ein Forschungsteam der Tsinghua-Universität und der Universität Chicago untersuchte systematisch die tatsächlichen Auswirkungen von KI-Werkzeugen auf die wissenschaftliche Forschung. Dazu nutzten sie einen umfangreichen Datensatz mit 41,3 Millionen naturwissenschaftlichen Publikationen und Daten von 5,37 Millionen Wissenschaftlern aus dem Zeitraum von 1980 bis 2025. Die Studie ergab, dass KI zwar die individuelle Forschungsleistung und den akademischen Einfluss deutlich steigert, gleichzeitig aber zu einer Verengung des Wissensraums und einer Konzentration der akademischen Interaktion auf kollektiver Ebene führt. Indem KI-Forschung mithilfe von Sprachmodellen identifiziert und Innovationsindikatoren wie die „Wissensbreite“ eingeführt werden, deckt die Studie die bisher übersehenen strukturellen Kosten von KI in der Wissenschaft auf und liefert wichtige Erkenntnisse darüber, wie KI das Forschungsökosystem umgestaltet.

HyperAl hat von Version 1.12 bis 1.16 eine Reihe äußerst wertvoller und breit anwendbarer Tutorials und Datensätze zusammengestellt, die verschiedene Bereiche wie intelligente Agenten, Computer Vision und TTS abdecken.

„Qwen-Image-2512: Realistischere Porträts und Naturlandschaften erstellen“ ist jetzt im Tutorial-Bereich der HyperAI-Website (hyper.ai) verfügbar. Lassen Sie Ihrer Kreativität freien Lauf!

Ein gemeinsames Forschungsteam der Princeton University und der Colorado School of Mines hat eine effiziente, auf maschinellem Lernen basierende Vorhersagemethode entwickelt. Diese Methode nutzt ein umfangreiches Sprachmodell, um die freie Energie direkt aus der Struktursequenz von MOFs vorherzusagen. Dadurch werden die Rechenkosten deutlich reduziert und eine skalierbare, hochdurchsatzfähige thermodynamische Bewertung von MOFs ermöglicht.

HyperAl hat vom 8. bis 12. Dezember eine Reihe äußerst wertvoller und breit anwendbarer Tutorials und Datensätze zusammengestellt, die verschiedene Bereiche wie intelligente Agenten, Computer Vision und TTS abdecken. (Termine und repräsentative Bereiche werden je nach den tatsächlichen Gegebenheiten angepasst.)

Im Jahr 2025 wird die bisherige Erfolgsgeschichte der KI-Branche grundlegend umgekrempelt. Angesichts von Milliardeninvestitionen und schleppendem Umsatzwachstum ist die Frage nach einer „Blase“ bereits jetzt berechtigt. Vom Einbruch der Marktkapitalisierung von Alphabet um 200 Milliarden Dollar bis hin zum verheerenden Verlustloch von ChatGPT scheint die Technologie gezwungen, sich dem Pragmatismus zu beugen.

CleaveNet, ein KI-basierter, durchgängiger Designprozess, der von einem gemeinsamen Team des MIT und der Harvard University entwickelt wurde, soll diese Herausforderung bewältigen. Durch die Zusammenarbeit prädiktiver und generativer Modelle zielt dieser Prozess darauf ab, das bestehende Paradigma des Proteasesubstrat-Designs grundlegend zu verändern und völlig neue Lösungen für die Grundlagenforschung und die biomedizinische Entwicklung zu bieten.

Das „HY-MT1.5-1.8B: Multilingual Neural Machine Translation Model“ ist jetzt auf der HyperAI-Website (hyper.ai) im Tutorial-Bereich verfügbar. Überzeugen Sie sich selbst von seinen blitzschnellen Übersetzungsfunktionen!

Der 8. Meet AI Compiler Technical Salon in 2025 wurde am 27. Dezember erfolgreich an der Shanghai Innovation Academy abgeschlossen.