北京人工智能研究院开发的SPAR系统通过五个专业智能助手协同工作，实现了比传统学术搜索高56%的效果提升。该系统首创的RefChain引用链机制能自动发现相关文献，配套的SPARBench基准测试平台为学术搜索领域提供了标准化评估工具，已开源供研究者使用。

这项由13家国际研究机构联合开发的研究介绍了Maya——一个突破性的多语言视觉AI模型。Maya能够用8种语言理解和描述图片内容，包括理解不同文化背景的视觉概念。研究团队通过创新的数据构建方法，将55万个英文样本扩展为440万个高质量多语言样本，并采用两阶段训练策略。Maya在多语言基准测试中表现优异，特别是在阿拉伯语等复杂语言上超越了同类模型，为教育、医疗、旅游等领域的全球化应用开辟了新路径。

蚂蚁集团智能医疗部门提出GRAO统一对齐框架，通过"模仿-探索-超越"三阶段机制解决传统AI对齐方法局限性。该方法相比监督微调、强化学习等基线方法分别实现57.70%、7.95%等显著提升，特别在专家混合模型上表现突出，为大型语言模型对齐优化提供新范式。

在新一代IBM LinuxONE服务器正式在中国发布之际，IBM相关业务领导与技术专家向中国媒体详细介绍了IBM LinuxONE Emperor 4服务器“绿色低碳、弹性扩展、安全无虞”的技术亮点。

新南威尔士大学研究团队开发了ZARA系统，这是首个零样本运动识别框架，能够在未经专门训练的情况下识别全新的人类活动。该系统集成了自动构建的知识库、多传感器检索机制和分层智能体推理，不仅实现了比现有最强基线高2.53倍的识别准确率，还提供清晰的自然语言解释，为可穿戴设备和健康监护等应用领域带来了突破性进展。

苹果公司发布SimpleFold，这是首个基于流匹配的蛋白质折叠模型，完全使用通用Transformer架构。该模型摒弃了传统方法中的多序列比对、配对表示等复杂组件，在保持竞争性能的同时实现了20倍以上的计算效率提升。SimpleFold支持多样性结构生成，在标准基准测试中表现出色，并展现良好的扩展性。

AIGC淘金人。

哈佛大学研究团队通过创新的多智能体强化学习方法，让AI在战略游戏中学会复杂推理。研究发现AI通过游戏竞争能发展出类人思维能力，在逻辑推理、创造性解决问题等方面表现显著提升。这项突破性成果为未来AI在医疗、教育、城市管理等领域的应用奠定基础，展现了通过模拟人类学习过程培养真正智能AI的新路径。

香港中文大学团队开发出让AI学会矢量图形编程的创新方法，通过强化学习和跨模态奖励机制，成功将开源模型的绘图能力提升到商业级水平。研究建立了SGP-GenBench评估体系，发现AI不仅学会精确绘图，还发展出分层构建、创意补充等智能行为模式，为AI辅助设计开辟新路径。

黄仁勋在会后接受包括至顶科技在内的媒体采访时所说：“英伟达只做两类事情：要么是别人没在做的，要么是我们能做得独特且更好的。”

黄仁勋在会后接受包括至顶科技在内的媒体采访时所说：“英伟达只做两类事情：要么是别人没在做的，要么是我们能做得独特且更好的。”

这项由德国慕尼黑大学等机构联合完成的研究提出了FedNano框架，创新性地解决了多模态大语言模型在联邦学习中的部署难题。通过将模型拆分为服务器端核心和客户端轻量级NanoEdge模块，结合Fisher合并技术处理数据异质性，实现了95%的存储减少和99%的通信优化，同时保持了优异性能，为AI技术的普及化应用开辟了新路径。

南加州大学团队开发出革命性的"Tina"AI模型，仅用9美元训练成本就能达到与昂贵大型模型相媲美的数学推理能力。通过LoRA技术和15亿参数的精简设计，该研究将AI推理模型的训练成本降低了260倍，实现了真正的AI技术民主化，让个人研究者和小型团队也能负担得起高质量推理模型的开发。

M-A-P团队发布的COIG-P数据集包含100万个高质量中文偏好样本对，通过15个AI模型协作生成和8个AI评委评分构建。该数据集覆盖对话、编程、数学等六大领域，显著提升了中文AI模型性能，相关模型在AlignBench评测中获得2%-12%的性能提升。团队还开源了中文奖励模型CRM和评估基准CRBench，为中文AI社区提供了重要的开源基础设施。

不过，虽然这是一场地平线的产品发布会，但在整场演讲当中，我们听到最多的反而是余凯的产业理念。从当年在百度参与过辛顿深度学习公司竞拍的科学家，到现在的港交所上市公司，余凯自己完成了一个科学家到企业家的完美转身。这次发布会上，他也对芯片公司的创业之路做了一个相当完整的梳理。某种程度上，我们甚至可以将这场发布会当作一个商学院创业课来听。

伊利诺伊大学香槟分校团队推出SWERANK软件问题定位框架，通过"先筛选再精排"的两阶段策略，以极低成本实现了超越昂贵AI助手的问题定位准确性。团队构建的SWELOC数据集为训练提供了高质量的真实案例，实验证明该方法在成本效益比上比现有方案高出57倍，为软件开发行业提供了实用且经济的调试解决方案。

哈佛大学研究团队开发出革命性的"概念消融微调"技术，能在AI训练过程中精准识别并移除有害概念，就像外科手术般精确。该技术成功解决了AI"意外学习"问题，让模型在掌握目标技能的同时避免不良行为，有害响应率降低90%。这为创造更安全可靠的AI系统提供了新路径。

中科院软件所与阿里巴巴合作开发的RefCritic系统，首次让AI具备了真正的"教学能力"。通过创新的双重奖励机制，该系统不仅能准确判断答案对错，更能提供切实有效的改进指导。在数学竞赛等高难度测试中，RefCritic指导下的学生正确率提升超过7%，甚至能够指导比自己更强大的AI模型，展现了"授人以渔"的智能新范式。

阿里巴巴淘宝团队开发的RecGPT推荐系统，通过大语言模型深度理解用户购物行为背后的真实意图，实现了从"学点击推点击"到"理解需求推商品"的根本转变。系统在淘宝全面部署后，用户体验多样性提升6.96%，点击率增长6.33%，同时有效缓解了推荐系统的马太效应，为数亿用户提供更智能的购物体验。

香港大学团队开发了EmbRACE-3K数据集，专门训练AI系统在复杂环境中进行推理和行动。该数据集包含超过3000个任务和26000个决策步骤，每步都有详细的推理标注。实验显示，现有先进AI模型在需要主动探索和环境交互的任务中表现不佳，成功率低于20%，但经过专门训练后性能显著提升。这项研究为开发更智能的服务机器人和自动驾驶系统提供了重要技术基础。