该研究提出了SRPO框架，一种两阶段反思感知强化学习方法，用于增强多模态大语言模型的推理能力。通过构建高质量的反思数据集进行监督微调，并设计专门的奖励机制鼓励有效反思，SRPO成功解决了现有模型在复杂推理任务中缺乏自我反思和自我纠错能力的问题。实验表明，SRPO在MathVista等多个基准测试上显著优于现有最先进模型，证明了反思导向训练可以有效扩展模型的推理能力边界。

在“十四五”规划的号召下,中国数字化进程全面提速,产业数字化转型迈入了新阶段。

世界智能大会始终遵循习近平总书记贺信精神，坚持国际化、高端化路线，“旨在为世界智能科技领域搭建一个交流合作、共赢共享的平台”。

星展银行在2018年年度报告中，首次公开并讨论到基于AI与分析技术的“客户科学”研究成果，同时解释了这些成果如何推动业务价值提升。

在生成式 AI 时代,数据的重要性日益凸显。随着 AI 项目从概念验证走向生产,组织需要更加关注用于训练和推理的数据质量。专家们强调了解数据背景的重要性,以确保 AI 模型使用正确的数据。这突出了知识工程师的重要性 - 他们能够理解数据的上下文,并引导我们找到正确的数据。知识工程在 AI 时代将发挥关键作用。

卓越服务至关重要，需要一种新的思维方式，并强调不同的技能、使命和指标——在这些方面，很多IT领导者仍然会感到很棘手。

这项由LMU慕尼黑大学研究团队进行的研究，首次深入探索了代码语言模型如何在内部表示和处理多种编程语言。研究通过分析Llama系列模型的中间层表示和神经元激活模式，发现模型在处理代码翻译任务时会经过"英语思维"的中转，且不同编程语言在模型内部的表示存在显著的共享和差异模式。研究结果不仅揭示了AI理解代码的内部机制，还为设计更高效的多语言代码模型提供了实用见解。

当我们使用导航应用听取路线指引，或者让数字助手朗读新闻时，我们听到的AI语音正在变得越来越自然，但仍然存在明显的局限性。传统的语音合成技术往往需要大量特定说话者的录音样本才能生成接近自然的语音，而且在切换到不同说话者、不同语言或不同情绪风格时往往表现不佳。

2023年6月16日，全球知名软件及技术咨询公司Thoughtworks举办了技术雷达28期媒体深度解析会。

卡内基梅隆大学研究团队提出全新"Kinetics"缩放定律，揭示大语言模型测试阶段的资源分配策略需要重新思考。研究发现小型模型效率被严重高估，因为以往研究忽略了内存访问成本这一关键瓶颈。在测试阶段，注意力机制而非参数数量成为主要成本因素。基于此，团队提出以稀疏注意力为核心的新范式，显著提升问题解决准确率，在AIME测试中低成本场景下提升高达60个百分点，高成本场景下仍有5个百分点优势。

马里兰大学等机构联合提出ViCrit训练法，通过让AI识别图片描述中的人工植入错误来提升视觉理解能力。该方法将传统的生成完整描述转换为精确的错误定位任务，使训练目标更加明确。实验显示经过训练的AI模型在幻觉减少和多项视觉推理任务上都有显著提升，同时研究团队还发布了ViCrit-Bench评估基准。这项研究为AI视觉训练开辟了新思路。

据世界卫生组织公布的数据，全球约有 3 亿人患有抑郁症。为此，临床心理学家Alison Darcy与其研究团队研发了一款聊天机器人软件——Woebot希望能够帮助人们缓解和治疗沮丧、沉迷成瘾或孤独、抑郁、焦虑等心理问题。

太平洋时间5月20日上午，在加州山景城海岸线圆形剧场（Shoreline Amphitheatre），空气中弥漫着咖啡香气和一种几乎能触摸到电子脉冲般的兴奋感，2025 Google I/O（谷歌开发者大会）开始了，而此时的我们，正处于这股AI浪潮的中心。

尽管经济形势严峻、市场表现疲软，博世集团2018年仍保持增长势头，销售额和整体业绩继续保持历史高位。

在2023 Google开发者大会期间，Google全球开发者生态总监David McLaughlin接受了科技行者采访，分享了他对全球开发者生态、中国开发者、以及中国企业出海的看法。

Cora是一项来自西蒙弗雷泽大学的研究，提出了一种利用少步骤扩散模型进行对应感知图像编辑的新方法。它通过三大创新解决了现有编辑技术的局限性：对应感知噪声校正、注意力插值映射和结构对齐。这使Cora能够出色处理非刚性变形、物体替换和添加等复杂编辑任务，同时保持图像身份和结构的完整性。研究显示，Cora不仅在质量上超越其他少步骤编辑方法，还与计算密集的多步骤技术相媲美。

疾风知劲草，折叠屏的到来，让电子媒介又迎来一轮物竞天择。

中国汽车行业历经“从无到有”的40年发展，迎来了“从有到强”的巨大变革。

耶鲁、哥大等四校联合研发的RKEFino1模型，通过在Fino1基础上注入XBRL、CDM、MOF三大监管框架知识，显著提升了AI在数字监管报告任务中的表现。该模型在知识问答准确率提升超过一倍，数学推理能力从56.87%提升至70.69%，并在新颖的数值实体识别任务中展现良好潜力，为金融AI合规应用开辟新路径。

这项由加州大学圣克鲁兹分校和eBay联合完成的研究首次揭示了先进AI模型的"睁眼瞎"问题：它们虽然具备强大的感知和推理能力，却无法识别表面合理实际有缺陷的指令。研究发现，即使是最先进的AI系统，在面对物体缺失、指代模糊、事实矛盾和目标不可行等隐性问题时，正确识别率不到40%。更令人意外的是，这些AI系统其实内心已经察觉到问题，但因过度训练的服从性而不敢表达。当被允许提出澄清性问题时，它们的表现瞬间飙升至94%以上，表明简单的交互设计改进就能大幅提升AI系统的可靠性。