清华大学等机构组织的MARS2多模态推理挑战赛历时两个多月，76支知名团队参与，通过三个赛道全面考察AI在真实场景视觉定位、空间感知问答和广告视频推理等复杂任务上的能力，结果显示即使最先进AI模型表现仍不理想，为推动人工智能向真正智能化发展提供了重要基准和研究方向。

中央佛罗里达大学开发的TLB-VFI技术通过在像素空间和潜在空间同时提取时间信息，解决了视频帧插值中的关键问题。该技术使用布朗桥扩散和3D小波变换等创新方法，相比现有方法参数减少3倍、速度提升2.3倍，在最具挑战性测试中性能提升约20%，为视频处理领域带来重要突破。

Soul AI团队发布突破性研究成果TransDiff，首次成功融合自回归变换器与扩散模型，实现图像生成质量与速度的双重突破。该技术在ImageNet数据集上创造FID 1.42新纪录，同时推理速度比传统方法快112倍，并提出多参考自回归全新生成范式。

Meta团队开发的ViTok突破了视觉AI压缩技术的瓶颈，发现压缩质量的关键在于存储的浮点数总量而非模型复杂度。该方法在保持图像和视频重建及生成质量的同时，计算效率提升2-5倍，在多个基准数据集上创造新纪录，为高效视觉AI应用提供了重要技术基础。

MWS AI基础研究中心联合ITMO大学开发的COMPOT技术，通过正交字典学习和智能分配策略，实现大型AI模型高效压缩。该方法能在保持80-90%性能的同时，将模型体积压缩到原来的20-60%，显著降低存储和计算需求，为AI技术普及奠定基础。

想象一下，如果传统AI模型是一辆可以载你去任何地方的汽车，那么这些新的"思维模型"就像是既能当汽车用，又可以变身为越野车的变形金刚。在平坦道路上，它们像普通汽车一样高效运行；遇到复杂地形，它们就能切换到更强大的思维模式，慢慢思考并解决困难问题。英伟达的这项技术突破正是要让这种转换变得更加自然、高效。

Mistral AI发布了两个开源多模态语音AI模型Voxtral Mini和Small，不仅具备语音识别能力，更能理解语音内容并进行智能对话。模型支持32K上下文窗口，可处理40分钟长音频，在语音识别、翻译和理解任务中达到最先进水平。Small版本超越多个闭源模型，Mini版本可本地运行，两个版本均在Apache 2.0许可证下开源发布。

MIT研究团队发现了一个颠覆性的AI训练方法：那些通常被丢弃的模糊、失真的"垃圾"图片，竟然能够训练出比传统方法更优秀的AI模型。他们开发的Ambient Diffusion Omni框架通过智能识别何时使用何种质量的数据，不仅在ImageNet等权威测试中创造新纪录，还为解决AI发展的数据瓶颈问题开辟了全新道路。

谷歌DeepMind推出Streaming DiLoCo技术，通过流式同步、重叠通信和4位量化压缩三项创新，将大规模AI模型训练的带宽需求降低400倍。该方法在保持模型质量几乎不变的前提下，让普通研究机构也能负担得起超大规模AI训练，有望推动AI技术民主化发展。

ByteDance研究团队提出TiKMiX方法，通过引入"组影响力"概念动态调整AI训练数据配比，解决传统静态配方导致的训练效率低下问题。该方法能根据模型不同训练阶段的数据偏好实时调整，仅用传统方法20%的计算资源就实现更优性能，在多项测试中平均提升2%效果，为大模型训练提供了更智能高效的解决方案。

中科院团队首次开发出1比特视觉-语言-动作模型BitVLA，实现机器人智能操作的革命性突破。该模型将每个参数限制为{-1,0,1}三值表示，通过创新的蒸馏感知训练策略，在仅使用29.8%内存的情况下达到与先进模型相当的性能。在LIBERO机器人基准测试中表现优异，为智能机器人在资源受限设备上的部署开辟了新路径，让家用机器人成为可能。

复旦大学团队开发出Ask-to-Clarify机器人框架，让机器人首次具备主动询问澄清模糊指令的能力。该系统采用双组件架构和两阶段训练策略，在8项真实任务中全面超越现有技术，成功率达90-98%。这一突破将机器人从被动执行者转变为主动合作伙伴，为家庭服务机器人的实用化扫清重要障碍。

META公司FAIR实验组开发的V-JEPA 2系统通过观看100万小时视频实现了AI的重大突破，首次让机器同时具备理解、预测和规划三项核心能力。该系统在视频理解、行为预测和机器人控制等多个任务上创下新纪录，特别是仅用62小时训练就能零样本控制机械臂，为通用人工智能发展提供了新路径。

斯坦福大学Gordon Wetzstein教授团队提出神经辐射场技术，首次让AI具备类似人类的三维空间理解能力。该技术仅需少量不同角度照片即可重建完整三维场景，在图像质量上比传统方法提升20%以上。研究成果应用于自动驾驶、VR/AR、医学影像等领域，标志着AI从二维图像识别向三维空间理解的重大跃进。

首尔国立大学团队突破性地提出了基于强化学习的多模态大语言模型个性化训练框架RePIC，仅用2000个样本就达到传统方法21万样本的效果，在多角色图像描述任务中准确率提升至71%（传统方法仅21.3%），首次实现了高效、准确的AI个性化看图说话能力，为个人专属AI助手的普及化应用奠定了重要技术基础。

大数据存储解决方案一般有存算融合和存算分离两种部署形态。

港科大研究团队开发的LazyDrag系统创新性地解决了图片拖拽编辑中的核心难题。该系统摒弃传统的隐式匹配方法，采用显式对应地图技术，实现了无需训练的高精度图片编辑。LazyDrag支持文字引导功能，能智能理解用户意图，在准确性和感知质量方面全面超越现有方法，为AI辅助图片编辑开辟了新方向。

这项由中国人民大学等机构合作完成的研究提出了Virgo系统，发现仅用5000个纯文本推理案例训练就能让AI在视觉推理任务上达到顶级商业系统水平。研究证实推理能力具有跨模态通用性，为更经济高效地开发多模态AI系统指明了新方向，同时也揭示了AI感知反思能力不足的局限性。

马普所团队提出POET训练法，通过正交变换重新参数化神经网络权重，在保持频谱特性稳定的同时实现高效训练。该方法仅用传统方法十分之一的参数就能获得更好性能，在13亿参数模型上验证困惑度从14.73降至13.70。POET展现独特的三阶段学习动态，并提供了坚实的理论保证，为大模型训练的参数效率和稳定性带来突破性进展。

Mistral AI首次推出推理模型Magistral，采用纯强化学习训练让AI学会深度思考。该模型在数学推理能力上提升近50%，能够展示完整思考过程，并意外获得多模态推理能力提升。研究团队开源了Magistral Small模型，为AI推理能力发展开辟新路径，证明了强化学习在培养AI思维能力方面的巨大潜力。