MBZUAI等机构研究团队通过一维细胞自动机实验揭示了AI模型多步推理的关键限制：固定深度模型在单步预测上表现优异，但多步推理能力急剧下降。研究发现增加模型深度比宽度更有效，自适应计算时间、强化学习和思维链训练能突破这些限制。这为开发更强推理能力的AI系统提供了重要指导，强调了真正推理与简单记忆的本质区别。

明略科技推出小明助理Copilot，为企业提供了知识库和Agent两种维度的产品，帮助企业用知识全面赋能业务。在大模型的加持下，将零散的知识沉淀到AI知识库中，会带来怎样的改变？

这篇博客解析了Datadog公司开发的TOTO模型，一款拥有1.51亿参数的时间序列预测基础模型，专为可观测性数据设计。研究团队同时推出了BOOM基准数据集，包含3.5亿个观测值和2,807个真实时间序列。TOTO创新性地结合了因果归一化、比例因子化注意力和学生T混合模型等技术，在BOOM、GIFT-Eval和LSF三大基准测试中均取得了最先进性能，证明了领域特定基础模型的优势。

安全领域中的坚定保守派们一直警告称，一旦计算机落入陌生人手中，那么这些设备将不再值得信任。如今，一家公司的研究人员已经证明，在某些情况下，同样的论断也适用于我们根本无法触及的某些计算设备——云服务器。

谷歌云在新加坡推出本地部署的Gemini AI模型，通过完全断网的Google分布式云服务，让政府机构和监管行业首次能在自有数据中心运行AI模型。新加坡政府科技局等机构将率先使用该技术。同时，谷歌云扩展了在新加坡公有云区域的数据驻留保证，支持本地机器学习处理。星展银行和职总平价等企业已开始应用相关AI能力。

在竞争激烈的职业篮球领域，各支球队一直在寻求竞争优势，希望借助独门诀窍将成绩提升至新的水平。而出乎意料的是，正确答案往往不只局限于赛场之内——新近兴起的AI世界正带来更多可能。

OpenAI发布ChatGPT脉冲功能，这一推送特性可根据用户聊天历史自动生成个性化每日更新。该功能目前向Pro订阅用户开放，通过分析用户聊天记录、偏好设置以及Gmail和谷歌日历连接，AI模型在夜间进行研究，次日清晨以卡片形式推送相关信息。用户可通过点赞或踩的方式提供反馈。这标志着OpenAI向主动式AI助手转变的重要一步。

UniTEX是香港科技大学与Light Illusion团队联合开发的创新3D纹理生成框架，彻底突破了传统UV映射的限制。该技术引入了"纹理函数"概念，将纹理定义为3D空间中的连续函数，完全绕过了拓扑歧义问题。配合精心设计的大型纹理模型和高效的扩散Transformer微调策略，UniTEX能从单一参考图像生成高保真、完整的3D纹理，同时在艺术家创建和AI生成的复杂模型上都表现出色，为游戏、VR和数字内容创作领域带来革命性变化。

在前一篇文章已经带着读者创建一个Triton的推理模型仓，现在只要安装好服务器端与用户端软件，就能进行基本的测试与体验。

北京交通大学等机构联合开发出首个多图像视觉定位AI模型Migician，能像人类一样在多张图片中精确定位目标物体。该模型平均准确率达63.82%，比同类AI高出25个百分点，在自动驾驶、安防监控、医疗影像等领域具有广泛应用前景。研究团队构建了63万样本数据库和全面测试平台，并将所有资源开源，为多模态AI发展开辟新方向。

Liquid AI发布了新一代视觉语言基础模型LFM2-VL，专为智能手机、笔记本电脑和嵌入式系统等设备高效部署而设计。该模型基于独特的LIV系统架构，GPU推理速度比同类模型快2倍，同时保持竞争性能。提供450M和1.6B两个版本，支持512×512原生分辨率图像处理，采用模块化架构结合语言模型和视觉编码器。模型已在Hugging Face平台开源发布。

有时候，人类与机器在判断哪些内容属于“重复内容”时会产生某些分歧。

威胁和盗窃依然无处不在，攻击者的手段也在不断调整。Check Point安全专家将在本文中阐述5 大云原生安全挑战并简单介绍规避风险的方法。

在今天的文章中，麦肯锡分析来人工智能技术目前面临的局限障碍以及对应的解决方法。

Anthropic的AI基础设施周三下午遭遇约半小时的全面服务中断，Claude.ai、API、Claude Code和管理控制台均无法访问。此次宕机在技术社区引发热议，开发者们调侃称要像"石器时代的穴居人"一样编程，回到从Stack Overflow复制粘贴代码的日子。事件凸显了现代软件开发对AI编程工具的深度依赖，同时也提醒人们过度依赖AI助手可能带来的风险。

什么是区块链？可以先想象一下在一个计算机网络上复制了数千次的电子表格。然后再想象一下这个网络会定期更新这些电子表格，而且该网络是共享的并会持续协调数据库。

谷歌与计算机历史博物馆联合发布了AlexNet的源代码，这是一个在2012年彻底改变人工智能领域的卷积神经网络。AlexNet证明了"深度学习"能够实现传统人工智能技术无法达成的目标，标志着人工智能领域的重大突破。此举不仅为AI爱好者和研究人员提供了一个窥探计算机历史关键时刻的机会，也为未来的历史学家提供了理解这项改变世界技术的宝贵资料。

莫斯科理工大学研究团队提出革命性AI训练新方法，通过固定视觉嵌入层实现模块化组装和渐进式生长。专业模型可像拼积木般无缝合并，AI系统能像生物般逐层发育。实验证明合并模型性能优于单体专家，深度增加能显著提升复杂推理能力。这种方法有望推动AI发展从资源密集型向生态化转变。

伊利诺伊大学研究团队开发出UGST框架，解决了用户模拟器在对话中频繁出现的目标错位问题。通过将用户目标分解为可跟踪的子组件并采用三阶段训练方法，使小型模型性能提升14.1%，甚至超越大型模型，为对话AI训练提供了更可靠的用户模拟解决方案。

Apple Music新推出Discovery Station个人电台。