5月26日，“向星力·未来数据技术峰会（FDTC）”在上海成功举办。星环科技创始人、CEO孙元浩表示，未来人人都是数据科学家，人类与数据的交互方式将发生重大变革，语言、视频等自然语言的交互方式将逐渐普及，每个人都将需要一个“虚拟业务助手”。

这项由斯坦福大学和多家研究机构联合推出的R3（强健的无评分标准奖励模型）系统，解决了现有AI评估模型在可控性与可解释性方面的关键缺陷。不同于仅提供分数的传统模型，R3能适应任何评分标准，支持单项评分、对比评分和二元评分三种评估形式，并提供详细解释。研究团队从45个来源构建了高质量数据集，即使仅用14,000个训练样本，R3模型也在众多基准测试中超越了现有系统。这一突破性研究为AI系统提供了更透明、更可信的评估方式，有望显著改善人类与AI的互动体验。

区块链如何为人工智能解锁新的领域？

以色列理工学院研究团队开发出一种新颖的AI推理改进方法，通过训练专用的"继续思考"标记，让AI模型在解题时能够进行更深入的思考。该方法只需训练单个标记的嵌入向量，保持模型其他参数不变，在数学推理任务中展现出显著效果，准确率提升幅度达到传统方法的三倍以上，为AI推理能力提升提供了高效且通用的解决方案。

斯坦福大学等研究机构联合发布首个多语言视觉检索基准VisR-Bench，系统评估AI在16种语言、1286份真实文档上的检索能力。研究发现现有AI系统在表格理解和低资源语言处理方面存在显著局限，最先进模型准确率仅75%，阿拉伯语等语言表现更差。该基准为改进多语言文档AI提供重要参考。

马克斯·普朗克研究所推出GPTailor技术，通过多模型智能融合实现大语言模型25%参数削减的同时保持97%性能，为AI模型高效部署提供新思路。该方法将模型压缩从单一模型"减法"转变为多专业模型"重组融合"，在14项基准测试中显著优于传统压缩方法。

香港科技大学联合多所高校发布的AMD技术，通过智能识别AI训练中的"禁区"并动态调整训练策略，解决了AI绘画和视频生成中的质量不稳定问题。该技术将图像质量评分提升约2%，视频运动质量提升67%，为AI内容创作的实用化应用奠定了重要基础。

NVIDIA发布Nemotron Nano 2混合AI模型，采用创新的Mamba-Transformer架构，在保持90亿参数规模的同时，实现了比同类模型3-6倍的推理速度提升。该模型在数学、科学、编程等复杂推理任务上表现出色，支持15种语言，能在单GPU上处理12.8万字符长文本，为高效AI应用开辟了新路径。

NVIDIA联合CMU等机构开发了AUSM通用视频分割模型，首次将语言模型思路引入视频理解，用一个模型统一处理各种视频任务。该模型采用创新的并行训练策略，训练速度提升2.5倍，在七个权威数据集上均达到领先水平。AUSM突破了传统方法需要针对不同任务训练专门模型的限制，为视频AI应用提供了更简洁高效的解决方案。

MIT和Jina AI联合开发的jina-code-embeddings代码嵌入模型，通过改造预训练代码生成模型实现高效代码检索。该模型支持自然语言查询代码、技术问答和跨语言代码搜索，尽管参数规模较小（0.5B-1.5B），但在25项基准测试中表现优异，为AI辅助编程和智能开发环境提供了高性价比的基础工具。

数字化时代，你心目中的财务共享中心是什么样的？财务核算中心？标准化流程中心？实现集中办公？如果您对财务共享的印象仅止于此——那么，恭喜你！你OUT了！

百川智能发布突破性AI模型Baichuan-Omni-1.5，实现文字、图像、视频、音频的统一理解与生成。该7B参数模型在多项测试中超越同类产品，特别在医疗图像理解方面达到83.8%准确率，超过72B参数竞争模型。研究团队使用500亿高质量多模态数据，创新的四阶段训练策略，以及独创的音频处理技术，解决了多模态AI的关键技术难题，为人机交互开辟新方向。

Unbabel团队开发的TOWER+模型系列实现了翻译专业性与通用AI能力的完美平衡。通过创新的四步训练方法，即使2B参数的小模型也能在翻译质量上匹敌70B大模型，同时具备出色的对话和指令跟随能力。研究还创建了IF-MT基准来评估复杂翻译场景下的综合能力，为AI模型的专业化发展提供了重要参考。

ByteDance种子实验室推出VeOmni全模态AI训练框架，通过模块化设计和分布式优化策略，解决了同时训练处理文字、图像、视频、音频等多种数据类型AI模型的技术难题。该框架让300亿参数模型在128个GPU上实现每秒2800+ tokens处理速度，支持16万长度序列，在与主流框架对比中展现显著性能优势。

北大团队突破性研究Being-H0系统，首次实现让机器人通过观看人类视频学习灵巧手部动作。该系统采用"物理指令调优"方法，在150万个动作样本上训练，达到毫米级精度，在多项复杂操作测试中成功率达60%-100%，仅需传统方法25%的训练数据。这项技术为医疗、制造和服务业机器人应用开辟新前景。

斯坦福大学研究团队开发出革命性AI系统，能够通过分析大脑活动以85%准确率解码人类语言理解过程。研究绘制了包含万余词汇的"大脑词典"，揭示语言处理的层次化神经机制，发现大脑存在专门的预测网络和语义枢纽。该技术为治疗失语症、改进教育评估、开发智能AI系统开辟新路径，虽面临个体差异和实时处理等挑战，但已开始临床测试应用。

斯科尔科夫科技学院等机构联合开发的G-CUT3R是一种创新的3D重建技术，通过巧妙融合相机参数、深度信息等辅助数据，显著提升了传统仅依赖RGB图像重建方法的准确性和速度。该技术采用轻量级设计和零卷积融合策略，在多个基准测试中表现出色，为自动驾驶、AR/VR、机器人导航等领域的实际应用开辟了新路径。

意大利特伦托大学研究团队开发了RaWMPC自动驾驶系统，该系统无需专家示范即可学会安全驾驶。系统通过建立世界模型预测驾驶行为后果，采用风险感知交互学习策略主动探索危险场景，并运用自我评估蒸馏技术提高效率。实验显示，RaWMPC在多个测试平台上超越传统方法，特别是在应对未知场景时表现出色，为自动驾驶技术发展提供了新的解决思路。

上海交通大学联合多机构开发出Legato技术，解决了机器人动作不连贯的核心问题。该技术通过在训练阶段教会机器人保持动作连贯性，避免了传统机器人在动作切换时的停顿和突变。实验显示，使用Legato的机器人任务完成时间减少约10%，动作流畅度显著提升，为未来更自然的人机交互奠定了重要基础。

百度等机构联合推出MATHREAL数据集，首次系统评估AI模型在真实K-12教育场景中的数学推理能力。通过2000道真实拍摄的数学题目，研究发现即使是最先进的AI模型在面对模糊、倾斜等真实条件时准确率也只有53.9%，远低于标准测试表现，揭示了当前AI教育应用的重大局限性。