这项研究介绍了神经符号扩散模型(NESYDMs)，一种创新融合神经网络感知与符号推理的框架，克服了传统神经符号系统中概念独立性假设的局限。通过离散扩散技术建模概念间依赖关系，该模型在高维视觉路径规划和自动驾驶等任务上展现出卓越性能，同时维持较好的校准性，能够意识到"推理捷径"问题。这一突破为构建既可靠又可解释的AI系统提供了新方向，特别适用于安全关键的应用场景。

近日，国际权威咨询机构Forrester发布了《Now Tech: External Threat Intelligence Services,Q4 2020》报告，奇安信凭借海量的威胁情报样本、精准的威胁情报检测能力和强大的APT组织追踪能力，成为少数入围该报告的中国厂商之一。

数据觉醒，AI-Ready数据基础设施加速智能化。

aiOla在Whisper的架构之上进行了修改采用了“多头注意力”机制的并行计算方法，允许模型在每个推理步骤中预测多个token，同时不会损失性能和识别准确率。

这篇研究介绍了CSVQA，一个专为评估视觉语言模型在STEM领域推理能力的中文多模态基准测试。该数据集包含1,378道涵盖物理、化学、生物和数学的问题，每题都要求模型分析科学图表并进行专业推理。实验评估了15种VLM，结果显示即使最强大的模型o1也仅达到49.6%的准确率，揭示了当前AI在科学推理方面的明显局限。研究还发现模型在不同学科表现不一，思维链提示效果因模型而异，为未来改进指明了方向。

为了让这条杭州交通大动脉更加“聪明”，中控信息采用数字孪生、人工智能、物联网、云计算等数字技术，对江南大道进行了全域升级改造，让江南大道实现了更实时精准的认知、更智慧全面的管理以及更安全的大型活动保障。

马里兰大学和耶鲁大学研究团队提出"混合思维"(Mixture-of-Thought)框架，使大语言模型能够像人类一样通过自然语言、代码和真值表三种互补思维方式进行逻辑推理。这种创新方法在FOLIO和ProofWriter基准测试上比单一思维方式平均提高11.7个百分点的准确率，特别在处理复杂逻辑问题时效果显著。研究表明，多模态思维协同可有效克服自然语言推理中的关键瓶颈，为增强AI逻辑推理能力提供了新路径。

OpenAI 推出 ChatGPT 深度研究代理，能够在 5 到 30 分钟内分析数百个在线资源，生成全面报告。该代理使用 o3 模型搜索互联网信息，准确性比现有模型高，但仍存在一些局限性。目前仅向付费用户开放，未来将扩展功能并提高使用限制。

1月10日，中国电信星辰语义大模型TeleChat-7B版本宣布开源，并开放1T高质量清洗数据集。星辰语义大模型已与昇腾AI基础软硬件完成适配，并开源了适配后的代码。此外，中国电信还将在1月20日开源12B版本模型，拥抱更多开发者共建开源大模型生态。

4月3日,中国移动河南公司开封分公司(以下简称“开封移动”)和华为技术有限公司(以下简称“华为”)在长期友好合作基础上,联合创立的业务创新孵化基地“星光实验室”正式揭牌。

AI技术创新是推动企业智能化升级的核心驱动力。

2020年度数字化创新案例奖

罗切斯特理工学院和美国陆军研究实验室的研究团队开发了一种突破性的无源域适应方法，通过混搭拼图增强技术和置信度-边界加权策略，使AI模型能在没有原始训练数据的情况下适应新环境。该方法在三个主要基准数据集上取得显著成果，特别是在PACS数据集上准确率提升了7.3%，为AI系统在隐私保护、安全限制等现实场景中的应用提供了新解决方案。

这项新加坡国立大学的研究开发了"Thinkless"框架，解决了大语言模型在推理时的效率问题。研究者通过引入两种控制标记和创新的解耦式相对策略优化算法，使模型能够智能地决定何时使用详细推理、何时直接给出简洁答案，就像人类面对不同难度问题时会灵活调整思考深度一样。实验结果表明，这种方法能减少50%-90%的详细推理使用，显著提高效率同时保持准确度，为构建更智能、更高效的AI系统铺平了道路。

Thinkers360 发布的人工智能信任指数报告显示，2024年整体信任度评分为308分(满分400分)，较2023年的224分有所上升。报告针对不同场景和行业的信任水平进行了分析，并就提高人工智能可信度提出了五点建议，为CIO在2025年推进人工智能应用提供了参考。

在本周于纽约举行的美国全国零售联合会的年度会议上，英伟达着重介绍了这个用例，它显示出人工智能在各种实体店中能够发挥的强大力量。

报告显示，华为云AI开发生产线ModelArts在AI云服务方面的竞争优势越发明显。

“企业画像平台“助力招商证券提升服务中小企业的效率和质量

这项研究揭示了现有长视频理解评估基准的严重缺陷：过度依赖多选题导致结果膨胀，且许多问题存在先验偏好使模型无需真正理解视频就能作答。针对这些问题，多伦多大学团队开发了VIDEOEVAL-PRO基准，采用开放式短答案形式，真正要求理解整个视频。通过评估21个专有和开源模型，研究发现：视频模型在开放式问题上的表现比多选题下降超过25%，且多选题高分并不意味着开放式题高分。与其他基准不同，VIDEOEVAL-PRO随输入帧数增加持续提升性能，提供了更可靠的长视频理解能力评估方法。

这项研究提出了AutoRefine，一种革新性的强化学习框架，为大语言模型引入了"边思考边搜索和完善"的全新范式。与传统方法不同，AutoRefine在连续搜索调用之间添加知识完善步骤，让模型能够有效过滤和组织信息。通过结合答案正确性和检索质量双重奖励，该方法在七项问答基准测试中平均提升6.9%的准确率，特别在复杂多跳推理场景中表现突出，解决了现有检索增强推理的核心局限性。