近场超大规模MIMO通感一体系统的波束赋形通常要反复求解非凸约束优化，在线时延随阵列规模上升。PATBO把通信与感知波束方向按几何固定构造，只让Transformer预测各流的归一化功率，并用定位精度界（CRB）敏感度加权训练。在1024天线、4用户、2目标的保留测试集上，直接推理联合可行率为19.54%，经物理约束功率修复升到87.79%，再对剩余样本回退优化器后达到100%，单样本推理1.11毫秒。
化学机械平坦化（CMP）的材料去除率（MRR）虚拟量测此前多依赖简化线性假设或人工特征工程，后者需要领域知识，还可能丢掉原始传感器信号中的时间信息。GREP 先用未标注的传感器序列做自监督预训练，让编码器回归由完整序列与前后半段序列投影得到的全局代理目标，再用标注数据微调。在 PHM 2016 CMP 数据集上，它与特征工程监督基线在多数标注比例下表现相当，在部分少标注设置中误差更低，并在按时间划分的最后一个区间把 RMSE 从 11.23 降到 9.32。
多模态配对数据通常被用来把两个编码器拉到同一个嵌入空间里。DuoJEPA反过来保留每个模态各自的LeJEPA自监督空间，只在每个编码器后加一层无残差的transformer翻译层，把嵌入译到对方空间，并用完全在目标空间内计算的对比损失训练。在CheXpert Plus胸片与报告上，它的零样本AUC为86.6、跨模态检索分数为78.5，而相同编码器和数据下重实现的LeVLJEPA为60.0和64.2，同时配对余弦检验未检出两个自有空间直接对齐。
工程设计中每个研究只有几十到几百次仿真，且每次网格各不相同，传统代理模型必须为每个数据集重新训练。PhysICL 只在一个程序化先验上预训练一次，推理时把若干带标签的仿真当作上下文，在一次前向传播中直接在每个查询自身的非结构网格节点上给出场预测及其分位数，权重保持不变。在五个预训练未见过的 PLAID 数据集上，其场误差随上下文增大而下降，并在上下文达到一定规模后低于最近的上下文仿真；在百万节点级的 AhmedML 表面上，峰值显存仍为 4.27 GiB。
电磁信号处理长期按任务各训一个专家，跨任务难以复用，而电磁基础模型又要付出大规模预训练与共享骨干推理的代价。GLCR 改为在冻结的异构专家池上做路由：先用带加性间隔的一维 CNN 做全局分派，再对易混淆任务对用四个物理统计量做局部复核。在 HeteroSignal-7 基准上，它取得 96.16% 路由准确率和 76.30% 系统得分，均高于全部 19 个基线，单样本路由延迟 1.43 ms。
工程设计中，仿真与实验昂贵，可用的已评估设计往往只有10到1000个。GenPFN不训练新生成器，而是用权重固定的TabPFN分类器读取已标注设计，在期望设计之间插值，再用分类器梯度与高斯噪声更新候选，每个候选都要经过问题本身的约束和目标函数评估。在14个工程问题上，GenPFN v1的类别满足率高于所测CTGAN、TVAE和TabDDPM，真实度距离更低；在船尾案例中，1000个候选有993个通过几何检查并达到螺旋桨安装面积要求，而2000个随机上下文设计里只有28个达到。
概率比特反相逻辑把布尔电路编码成能量，靠采样在任意方向求解，但传统编码只保证基态合法并拉大最小能隙，有限步采样却会走过激发态。这项工作把哈密顿量设计写成逆统计力学问题，在能隙下限约束下用受约束最大似然拟合最高四体的相互作用，使吉布斯分布在每个钳位情形下接近合法态上的均匀分布。在44到77位乘法器的因子模式中，学出的能量在九个调优采样器上把达到99%验证成功所需更新数降到手工编码的0.55、0.44、0.52和0.46，但每次更新要评估更多项。
事件驱动学习把连续信号变成稀疏事件，但触发阈值长期靠经验试错。该工作把带符号阈值编码对应到离散化学习系统，用正常工况信号增量的标准差与阈值之比给出信息充分边界，再以保留峰值判别信息的规定比例为准则选出最稀疏阈值。在电力系统故障分类中，保留75%峰值信息时事件密度相对该边界下降约7.6倍，总体分类精度为94.14%。
SAR与光学遥感影像常被当作互为冗余的两路观测，此前的跨模态自监督多在整幅图像层面做对齐，细粒度的互补结构没有被利用。CroCoMAE在ViT架构内同时做图像级对比学习与图块级掩码重建，并把每个图块嵌入切成跨传感器对齐的共享子空间和不受约束的非共享子空间。在EuroSAT-SAR场景分类与DFC2020语义分割两个基准上，它在多数配置中优于单模态自监督基线和重新训练的跨模态框架，语义分割上的提升最大。
无人机航拍里，被指代的目标常常只占几十个像素，还挤在一群外观相似的车辆或行人中，生成式编辑器能画出轮廓却可能选错实例。DroneSegEdit 冻结开源的 LongCat-Image-Edit，只训练轻量 LoRA 渲染候选区域，再用语言锚定的空间核验器在候选内部剔除与指代表达不符的前景。在 RIS-LAD 完整官方测试集上，它取得 52.78 mIoU，比此前最好的 ReSaP-8B 高 7.16 点；在 UAVid-RIS 与 VDD-RIS 上整体保持竞争力，车辆、行人等紧凑类别的提升最明显。