虽然我们或多或少还是会看到垃圾邮件，但在机器学习算法的强大支持之下，大多数垃圾邮件已经被从收件箱中直接清除。

应用数据平台提供原生时间序列功能、版本化API和实时重新分片，赋能开发人员进一步提升工作效率。

这项研究介绍了Ankh3，一种创新的蛋白质语言模型，通过多任务预训练策略显著提升了模型性能。研究者采用两种互补任务：多掩码概率的掩码语言建模和蛋白质序列补全，使模型仅从蛋白质序列就能学到更丰富的表示。实验表明，Ankh3在二级结构预测、荧光预测等下游任务中表现优异，尤其在模型未曾训练过的任务上展现出强大泛化能力，为蛋白质设计和分析开辟了新路径。

这项研究评估大语言模型理解人类心理状态动态变化的能力，创造了DYNTOM基准测试包含1,100个社交情境和78,100个问题。研究发现即使最先进的模型表现也低于人类水平44.7%，尤其在追踪心理状态随时间变化方面表现更差，揭示了当前AI系统在理解连续社交互动中的根本局限，为开发更具共情能力的人工智能指明了方向。

这项来自普渡大学的研究展示了一种名为Sherlock的创新框架，让视觉-语言模型具备自我纠错能力。研究者通过三阶段训练方法（SFT冷启动、轨迹级偏好训练和自我改进），使模型能像侦探一样发现并修正推理错误。仅使用20k标注数据，Sherlock在八项基准测试中超越了使用5-13倍数据量的现有模型，证明自我纠错不仅能提升AI可靠性，还能大幅降低训练成本。

香港科技大学研究团队提出PreSelect方法，通过分析文本对不同AI模型能力的预测能力来筛选高质量训练数据。该方法基于"能够准确反映模型能力差异的文本往往也是最佳训练材料"的核心洞察，仅用轻量级fastText分类器就能实现大规模数据筛选，在多项实验中展现出10倍训练效率提升，为AI模型开发提供了经济高效的解决方案。

云服务正从传统的基础设施即服务（laaS）向先进的平台即服务（PaaS）演变，这推动着基础设施领域发生根本性转变，而用于处理人工智能（AI）、机器学习（ML）和大数据的新型基础设施的出现，进一步加速了这一转型。

香港大学研究团队开发的MatTools是首个全面评估大语言模型在材料科学工具应用能力的基准测试框架。研究发现通用型大模型（如GPT-4o）显著优于专业材料科学模型；AI生成的文档作为检索源比原始代码或官方文档更有效；简单的自反思系统反而优于复杂的多代理架构。这项研究为AI辅助科学工具的设计提供了全新思路，强调"通才胜于专才"、"AI懂AI"和"简单更好"的原则，有望加速材料科学研究和技术创新。

想象一下，当你和朋友在公园里散步时，你指着远处说："从那个长椅的角度看，那只狗在喷泉的左边还是右边？"这个看似简单的问题对人类来说轻而易举，因为我们自然而然地能够想象自己站在长椅的位置，并从那个视角"看"世界。但对于人工智能来说，这种换位思考的能力却是一项极具挑战的任务。

北京大学与上海AI实验室联合发布FUSION模型，通过创新的全模态整合技术，实现视觉和语言的深度融合。该模型仅用630个视觉令牌就超越了传统大型模型，在文本引导视觉编码、上下文感知解码等方面取得突破，代表了多模态AI发展的重要里程碑。

阿联酋人工智能大学研究团队开发出创新方法，让GPT-3.5等大型语言模型学会像专业事实核查员一样评估新闻媒体。通过模仿专家标准设计问题体系，该方法在政治偏向预测上达到93.5%准确率，在事实准确性预测上达到80.6%准确率，为媒体素养教育和信息筛选提供了新工具。

SUSE今天宣布推出首个针对微软Azure定制的企业版Linux内核。SUSE Linux Enterprise Server 15现可在定制调校版内核上运行，为微软Azure工作负荷带来更强的性能、更快的启动速度和更小的内存占用。

腾讯AI实验室联合多所大学开发出Vision-SR1方法，通过"观察-描述-验证"的训练策略解决视觉语言模型的两大问题：依赖文字线索猜答案的"语言捷径"和描述不存在内容的"视觉幻觉"。该方法要求AI先详细描述图片内容，再仅凭描述回答问题，强化真实视觉理解能力。实验显示在多个测试集上效果显著提升，为开发更可靠的AI视觉系统提供重要技术基础。

港科大等多院校团队发表的突破性研究，解决了多模态AI训练中的"模态差距"难题。通过精确建模文字和图像信息间的几何关系，开发出ReVision训练方法，让AI主要通过阅读文字就能学会理解图像，将训练成本降低26%，为AI训练提供了更经济高效的新路径。

新加坡国立大学研究团队开发的SynthRL是一种创新的数据合成管道，旨在提升视觉语言模型的推理能力。该方法通过三阶段流程自动生成更具挑战性的训练数据：首先基于难度选择模型已掌握的简单问题，然后生成保留原始答案的更复杂变体，最后验证问题的正确性与难度增加。应用于MMK12数据集后，研究生成了3300多个高质量问题，并在五个视觉数学推理基准上实现显著性能提升，尤其在最困难的样本上效果最为明显。这一研究证明了智能数据合成在增强AI推理能力方面的重要价值，为视觉语言模型的进一步发展开辟了新途径。

微软、Adobe和SAP宣布成立新的12人ODI合作伙伴委员会，扩大微软去年秋天推出的开放数据计划的支持者数量。

随着云计算发展日趋成熟,CIO正在寻求一种两全其美的方法:既能获得公有云在计算力、成本效率等方面的优势,又能保留私有云和本地数据中心的灵活性、可控性和安全性。

AWS AI Labs团队开发了MigrationBench，这是首个针对Java代码从版本8迁移到17/21的大型基准测试平台。研究包含5,102个完整项目和300个精选挑战性项目，解决了代码迁移评估的难题。实验表明，结合SD-Feedback方法的Claude-3.5-Sonnet-v2模型在精选数据集上实现了62.33%的最小迁移成功率和27.33%的最大迁移成功率，证明AI能有效执行复杂的仓库级代码迁移任务，为软件工程提供了新工具。

近期，由南洋理工大学和上海人工智能实验室等机构组成的研究团队在arXiv上发布了一项重要研究成果。这项名为"MOOSE-Chem2"的研究提出了精细化科学假设发现的全新任务，并通过层级搜索方法探索了大语言模型在该任务中的极限能力。研究团队将这一挑战定义为组合优化问题，并设计了一种层级启发式搜索方法，使模型能够从粗略的研究方向逐步细化到可直接实施的精细假设。实验结果表明，该方法不仅显著优于基线方法，还能生成与专家假设高度一致的结果，为AI辅助科学发现开辟了新途径。

南京大学与字节跳动联合团队开发的MotionSight系统，为多模态大语言模型提供了"动态视觉增强"能力，解决了现有AI系统在理解视频细粒度动作方面的困难。这一零样本方法通过对象中心的视觉聚光灯和动态模糊技术，显著提升了模型对物体动作和摄像机动作的感知能力，在不需要额外训练的情况下实现了业界领先性能。研究团队同时构建了MotionVid-QA数据集，这是首个专注于细粒度视频动作理解的大规模开源数据集，包含4万多个视频片段和近9万个问答对，为未来研究提供了宝贵资源。