DeepDelivery把人类蛋白组当作mRNA递送支架的候选库来筛：先用病毒衣壳蛋白数据训练深度学习模型，再以双模型交叉过滤，从109,375条人类序列中提名512个候选。实验测试15个候选，12个形成包裹mRNA的颗粒并完成功能性递送；其中RTL8B在HEK293T报告细胞上的转导效率为73.2%，高于作为参照的Arc（56.5%）、PEG10（53.1%）和PNMA2（67.4%）。这些结果支持把人类自身蛋白作为可模块化改造的递送支架来源，但免疫原性与体内行为尚未评估。
把大语言模型生成的参数调整方向作为软先验交给贝叶斯优化，2.5D/3D CPU-GPU 芯粒设计空间探索的超体积在 3D 数据集上从 0.8210 升到 0.8356，2.5D 数据集不重训也升到 0.8051。
该工作提出分层框架，把单人物理仿真人-物交互教师策略的成功轨迹重标注为物体代理的短时程位移监督，蒸馏出可冻结复用的“物体导向运动技能”，下游只训练高层策略输出各操作区域的代理运动指令；在Isaac Gym的4096并行环境中，该技能在教师轨迹目标与随机代理运动目标上均取得优于InterPhys与SkillMimic的跟踪精度，并支持两人抬沙发、四人抬H形箱与十字箱、两人与四人推沙发等任务。
该工作提出主动无任务蒸馏（ATD），用公共祖先模型挑选它对两个普通单词几乎无偏好的无关提示，只让私有的后训练教师模型对每个提示返回一个单词，再用这些提示-单词对训练同源学生模型；在Qwen2.5-1.5B主实验中，5,664条单字回答使学生在HumanEval+上比严格匹配的干扰对照高出5.34个百分点，并在科学知识、常识推理和阅读理解等任务以及不同模型代际、规模和家族上观察到正向平均增益。
作者提出 Active Taskless Distillation（ATD），通过挑选教师模型与学生模型共同公开祖先模型在两个普通词之间几乎无偏好的提示，仅用教师给出的单个词作为监督信号，让从该祖先初始化的学生模型在没有任何目标任务样本、教师 logits 或教师参数的情况下学习；在 Qwen2.5-1.5B 的主要编码实验中，5,664 条样本使 HumanEval+ 相比严格匹配干扰因素的对照提升 5.34 个百分点，并在科学知识、常识推理和阅读理解等任务以及更多模型世代、规模和家族上显示迁移，功能分析显示所学信号可组合且强度随教师更新强度变化。
已读完全部报道