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。

Meta开源世界模型V-JEPA 2：能看懂视频、预测未来、控制机器人的超级AI

美团研究团队推出突破性GUI操作AI系统UItron，能够像人类一样理解屏幕内容并自动执行复杂操作任务。该系统采用三段式训练方法，在多项标准测试中表现卓越，特别是在中文应用场景下达到54.1%的任务成功率，显著超越其他同类系统。研究团队收集了超过一百万步中文应用操作数据，为GUI代理在中文环境的实际应用奠定了基础。

德州农工大学等多所高校联合发布MMHU数据集，专门针对自动驾驶场景的人类行为理解。该数据集包含57,000个人类行为实例和173万视频帧，覆盖过马路、打电话、骑车等13种关键行为，并提供详细的文字描述和行为标注。实验显示，基于该数据集训练的模型在行为识别准确率上有显著提升，将推动自动驾驶系统更好理解人类行为和意图，提升道路安全。

KAIST研究团队开发的VideoRAG系统实现了人工智能在视频内容理解上的重大突破。该系统能够直接从海量视频中检索相关内容并生成准确答案，解决了传统方法只能处理文字和图片信息的局限。通过智能帧选择和多模态信息融合技术，VideoRAG在问答准确性上显著超越现有方法，为教育培训、技能学习等领域提供了全新的智能问答解决方案。

Llama3.1 版本模型提供了更好的推理能力、更大的 128K token 上下文窗口，并改进了对8种语言的支持。

Tiny QA Benchmark++（TQB++）是一个超轻量级的大型语言模型（LLM）评估工具，由Comet ML公司的Vincent Koc开发。这套工具仅需几秒钟即可检测LLM系统中的关键故障，与大型基准测试形成鲜明对比。其核心是一个不到20KB的52个精心制作的英语问答集，非常适合快速CI/CD检查和提示工程。TQB++的主要创新在于提供了一个合成数据生成工具包，能够按需产生任何语言、领域或难度的微型基准测试，并预先构建了11种语言的测试包。

这篇研究介绍了Meta公司开发的J1系统，这是一种通过强化学习训练大语言模型进行评判的创新方法。J1将可验证和不可验证的提示转换为具有可验证奖励的判断任务，从而鼓励模型在做出决策前先进行思考。研究表明，J1在8B和70B参数规模下都超越了同等规模的现有模型，甚至在某些测试中超过了更大的模型如o1-mini和DeepSeek-R1。这种方法的核心创新在于不仅优化最终判断，还优化思考过程本身，使模型学会制定评估标准、生成参考答案并重新评估回答的正确性。