南加州大学研究团队开发出一种名为PILS的新技术，能够通过分析AI模型输出时的概率信息来破解隐藏的系统指令。这种方法通过观察AI生成文本过程中多个步骤的"思考轨迹"，将隐藏提示的恢复成功率提高了2-3.5倍。研究发现AI模型的概率输出存在于低维空间中，可以用数学方法进行压缩和逆向分析。这项发现对AI安全具有重要影响，揭示了当前依赖隐藏指令的安全机制可能存在漏洞，为AI安全防护提出了新挑战。

普渡大学研究团队首次提出AI模型免疫技术，通过条件数理论让模型能够抵抗恶意训练。该方法在保持正常功能的同时，显著增加恶意微调的难度，实验显示免疫效果可达40倍以上。这项突破性研究为AI安全提供了"预防胜于治疗"的新思路，开创了模型免疫这一全新技术方向。

爱丁堡大学研究团队发现现有视觉语言模型难以准确预测现实世界变化，创新性地提出"师傅带徒弟"训练策略。通过让擅长反向推理的动态模型指导世界模型学习，在多个真实场景测试中超越专业图像编辑模型15%。该方法包括合成数据生成和推理时验证两种策略，为人工智能理解物理世界变化提供新思路。

我们认为大语言模型其实是被低估了，当下我们才刚刚感受到它所承载的深远影响。在硬件层、基础设施/基础模型层和应用程序层这三大生态系统区域内，每个区域都有老赢家和新选手。从明年起，我们将看到大语言模型在各个经济区间全面兴起、发挥作用。

Ovis2.5是阿里集团开发的新一代多模态大语言模型，在视觉感知和推理能力上实现重大突破。

Wi-Fi 6，一项无线技术标准，正在与5G一道，让「连接」这个最基本的数字维度爬上一个新台阶。

面对现实挑战，英特尔决定将其产品线一分为二：其一为传统至强核心（即所谓性能P核），其二为经过改进的Atom核心（即所谓能效E核）。

网易云商旗下网易定位携手云图元睿，基于在顾客体验领域长期为企业提供咨询和服务的一手实践，对顾客体验的数字化发展作了系统性的前瞻和预测，由此提炼出《2021顾客体验十二大趋势》（以下简称《趋势》）。

Meta超级智能实验室研究团队提出了"语言自我对弈"训练方法，让AI模型通过内部竞争机制实现无数据自我训练。该方法将单个模型分为挑战者和解决者两个角色，通过互相博弈提升性能。实验显示，这种方法在不使用任何外部数据的情况下，达到了与传统数据驱动方法相当的效果，为解决AI训练数据稀缺问题提供了创新解决方案。

阿里巴巴将加入奥林匹克全球合作伙伴(The Olympic Partner，“TOP”)赞助计划，开始为奥运会提供云计算和大数据基础设施及服务。后来广为人知的“云上奥运”这一说法，正是从这一刻起走上历史舞台。云计算这一概念，也随之被越来越多的人所熟知。

后来广为人知的“云上奥运”这一说法，正是从这一刻起走上历史舞台。云计算这一概念，也随之被越来越多的人所熟知。乘云科技CEO郝凯对此深有感受，因为在2017年春节过后不久，他的公司开始成为阿里云的合作伙伴，加入了滚滚而来的云计算大潮中。同一年，郝凯带领团队也第一次参加了阿里云的“双11”活动，实现了800万元的销售业绩。

Wi-Fi 6，一项无线技术标准，正在与5G一道，让「连接」这个最基本的数字维度爬上一个新台阶。

作为面向未来的智能IT解决方案,思科Meraki紧跟全球数字化趋势,提供简捷、安全和智能的解决方案,近几年始终活跃在帮助制造型企业实现智能化转型的舞台上。

Nebius公司研究团队提出"分块优势估计"方法，解决AI多目标任务中的奖励分配问题。该方法将复杂任务分解为功能块，为每个块单独计算奖励，避免目标冲突。核心创新是"结果条件基线"，通过分组比较提高评估准确性。在数学自信度评估实验中，期望校准误差从5.9%降至3.0%，显著提升AI自我认知能力。

这篇研究提出了OThink-R1，一种创新的大型推理模型，能够像人类一样在快速直觉思维和慢速深度推理之间自动切换。研究者发现，现有推理模型即使面对简单问题也会生成冗长的推理过程，导致计算资源浪费。通过分析推理轨迹并使用LLM评判员区分冗余和必要推理，OThink-R1能根据问题复杂度动态调整思考深度。实验表明，该方法平均减少了23.4%的生成文本量，同时保持或提高了准确率，代表了向更高效、更人性化AI推理系统迈出的重要一步。

作为新一代内存数据库的代表，阿里云原生数据库Tair实现了从缓存到一个真正内存数据库的角色转变，越来越多核心应用除了使用Tair的缓存模式之外，也使用Tair作为数据的持久化存储方案。

在基础架构方面，IBM新一代LinuxONE服务器的设计和交付，就是为了帮助企业在提升基础架构的性能、安全与效率的同时，减轻经济负担和对环境的影响，实现企业的可持续发展目标。

这项研究利用大语言模型解决科学新颖性检测难题，南洋理工大学团队创新性地构建了闭合领域数据集并提出知识蒸馏框架，训练轻量级检索器捕捉想法层面相似性而非表面文本相似性。实验表明，该方法在市场营销和NLP领域显著优于现有技术，为加速科学创新提供了有力工具。

微软研究院团队开发的BitNet v2技术实现了AI大语言模型的重大突破，通过创新的H-BitLinear模块和哈达玛变换技术，成功将模型激活精度从8位降低到4位，同时保持了几乎相同的性能表现。这项技术显著提高了模型的计算效率和硬件利用率，为AI模型在边缘设备和批量推理场景中的部署开辟了新道路，有望推动AI技术的更广泛普及应用。

清华大学和盛树实验室的研究团队开发了ShapeLLM-Omni，这是一个突破性的大语言模型，能够同时理解和生成文本、图像及3D内容。该模型通过3D向量量化变分自编码器将复杂的3D网格压缩为离散标记，使大语言模型能够高效处理3D数据。研究团队构建了包含34.6亿标记的3D-Alpaca数据集，涵盖了3D生成、理解和编辑任务。基于Qwen-2.5-vl模型，ShapeLLM-Omni不仅能从文本或图像创建高质量3D模型，还支持通过自然语言编辑3D资产，为游戏开发、虚拟现实和数字孪生等领域开辟了新可能。