ByteDance团队开发的UMO框架解决了AI生成多人图片时的身份混乱问题。采用"多对多匹配"策略替代传统"一对一"方法，通过全局优化找到最佳人物-照片配对方案。结合奖励反馈学习和新的身份混乱度评估指标，显著提升了多人场景下的身份保持能力，在多项测试中取得大幅性能提升。

香港大学与快手科技联合开发的GameFactory系统实现了革命性突破：用户只需文字描述就能生成可操作的互动游戏。该系统通过创新的"风格-动作解耦"技术，让AI既能理解游戏控制逻辑，又能适应任何场景环境，从《我的世界》训练数据成功泛化到樱花森林、雪山、室内等开放域场景。这项技术有望大幅降低游戏开发门槛，让任何人都能成为游戏创造者，为娱乐产业带来颠覆性变革。

2024 年的 SaaStr Annual 大会落下帷幕，作为连续参加了三届的 Linkloud 团队，不断看到有越来越多元化的参加者和设展者，尤其华人和出海团队出现在现场，以及在分享嘉宾里也越来越多华人面孔，我们非常欣喜。

想要开发出几乎能够适应一切道路状况的无人驾驶汽车，无疑是项极度严苛的挑战。

DreamVVT是ByteDance团队开发的突破性AI视频虚拟试穿系统，采用创新的两阶段设计：先为关键帧生成精准试穿效果，再生成流畅完整视频。该系统能处理复杂的真实场景，包括户外环境、360度转身等高难度动作，在多项评测中达到最优性能。技术核心在于充分利用预训练模型优势，通过多模态信息融合实现高质量的服装替换效果。

北京航空航天大学等机构联合提出NeRF-GS框架，将神经辐射场NeRF与3D高斯点云3DGS进行协同优化。该方法通过特征共享、残差向量建模和联合优化三大机制，有效解决了3DGS对初始化敏感、空间感知有限等问题，在保持实时渲染的同时显著提升了图像质量，为3D场景表示技术融合提供了新思路。

停车场运营商APCOA正利用大数据将传统停车场转化为移动枢纽，在提供电动汽车充电之余，还可作为小企业的办公空间和配送公司的仓储地点。

VidText是一个全新的视频文本理解基准，解决了现有评估体系的关键缺口。它涵盖多种现实场景和多语言内容，提出三层评估框架（视频级、片段级、实例级），并配对感知与推理任务。对18个先进多模态模型的测试显示，即使最佳表现的Gemini 1.5 Pro也仅达46.8%平均分，远低于人类水平。研究揭示输入分辨率、OCR能力等内在因素和辅助信息、思维链推理等外部因素对性能有显著影响，为未来视频文本理解研究提供了方向。

苏黎世联邦理工学院研究团队开发出首个多摄像头3D点追踪系统MVTracker，只需4个摄像头即可在三维空间中精确追踪任意点的运动轨迹，追踪精度达2-3厘米。该系统通过创新的点云融合技术和变换器架构，能处理复杂遮挡场景并适应不同质量的深度信息，实现了7.2帧每秒的准实时处理速度，为机器人技术、增强现实等领域带来重要突破。

更高效、更安全、更灵活的AI PC产品组合及创新解决方案，深化人与工作、员工与企业的关系。

斯坦福安全AI中心研究团队通过让大语言模型玩25款经典文字冒险游戏，测试其长期推理能力。结果显示即使最先进的GPT-5也仅能完成37.8%进度，揭示了当前AI在复杂探索任务中的重大局限性。研究发现AI存在长文本理解衰减、空间推理困难、试错学习能力不足等问题，为AI发展指出了内在智能提升的重要方向。

在不少中国的投资人和合作伙伴们的眼中，这是个落地的好项目。其母公司AitherCO2，已经在欧洲和北美耕耘八年，通过节能改造，帮助2000个客户节省超过7亿美元的能源开支。

此刻的英特尔，正经历着近十几年来最为激烈的竞争态势，不光是 AMD，还有来自苹果的 M1 芯片，甚至是高通为 Windows on Arm 制造的笔记本芯片，都对曾经一骑绝尘的英特尔发出挑战。

专家解读 | 张向宏：充分发挥独特优势 构建全球数字经济发展“中国方案”

铜缆和光纤的关系，无线跟有线的关系，5G和Wi-Fi的关系，这三个问题应该是目前业界最为关注。吴健在其主旨演讲中回顾了四十多年来以太网的发展和十多年间国际国内标准的发展，基于上述三个问题分析了整个标准发展过程中的普适价值。

Meta和华盛顿大学研究团队开发出PrefPalette系统，首次将认知科学的多属性决策理论引入AI偏好预测。该系统通过分析19个属性维度理解用户偏好形成过程，在Reddit 45个社区测试中准确率比GPT-4o提高46.6%。系统不仅能预测用户喜好，还能解释预测原因，为构建透明可解释的个性化AI奠定基础。

这项由清华大学与快手科技等机构合作的研究构建了包含18.2万个人工标注样本的大规模视频偏好数据集，开发了VideoReward多维度视频评价系统，并提出了Flow-DPO等三种对齐算法，成功让AI视频生成模型学会按照人类偏好创作内容，显著提升了生成视频的质量和用户满意度。

通用AI的应用前景非常广阔，它可以在医疗、交通、金融、教育、娱乐等各个领域发挥作用，为人类带来更好的生活体验和更高效的工作方式。

中科院团队开发的Stream-Omni是一个突破性的多模态AI模型，能同时处理文字、图像和语音，实现真正的"看听说"一体化交互。该模型创新性地采用了针对性的模态对齐策略，仅用2.3万小时语音数据就达到优秀性能，并能在交互中实时显示中间结果，为AI助手的自然化交流开辟了新路径。

脑机接口为元宇宙打开了一个“窗口”。通过大脑与电脑的连接，人们可以在虚拟世界中自由地获取信息、开展社交，甚至获取味觉、触觉等多种感官的体验。