日立万塔拉正在进行存储策略更新,统一高端和中端产品线,拥抱全闪存和混合云。公司重回企业存储领域,简化产品组合,现代化技术,同时保持稳定性和可靠性。此外,公司还在积极布局AI市场,推出Hitachi IQ解决方案,并探索AI技术在存储管理和客户支持中的应用。

微软研究团队开发了LettinGo框架，通过让AI用自然语言生成用户画像来改进推荐系统。该方法分三步：多模型探索生成多样化用户档案，通过实际推荐效果评估档案质量，最后用偏好对齐技术训练专门的档案生成器。在三个主要数据集上的实验显示，相比传统方法平均准确率提升20个百分点，且生成的档案更灵活、可解释性更强。

到底靠不靠谱，我们亲测了下。

德克萨斯大学奥斯汀分校的研究团队开发了一个名为CHARTMUSEUM的全新基准测试，专门评估大型视觉-语言模型理解图表的能力。研究表明，即使最先进的AI模型在图表视觉推理任务上远远落后于人类表现——虽然人类能达到93%的准确率，但最佳模型Gemini-2.5-Pro仅达到63%，开源模型表现更差。研究揭示模型在处理视觉推理问题时比文本推理问题表现低35%-55%，并通过错误分析确定了当前模型在符号选择、视觉比较、轨迹跟踪和数值识别等方面的关键挑战，为未来模型改进提供了明确方向。

香港大学团队首次发现AI事实核查系统的重大安全漏洞，开发出名为Fact2Fiction的攻击方法，能够系统性欺骗最先进的事实核查系统。研究显示即使投入极少量精心制作的虚假证据，就能让AI系统40-60%的时间得出错误结论，成功率比现有攻击方法高出8.9-21.2%。该研究揭示了AI系统透明度设计的双刃剑效应，为开发更安全可靠的下一代系统提供重要启示。

Web及移动App上云是指将Web应用程序或移动应用程序部署到云计算平台上，以便用户可以通过互联网访问这些应用程序。

浙江大学联合腾讯AI实验室提出KnowRL方法，通过在强化学习中集成事实性奖励机制，有效解决慢思维AI模型在推理过程中的幻觉问题。该方法在保持原有推理能力的同时，显著提升了模型的事实准确性，为构建更可靠的AI系统提供了新思路。

去年在疫情的影响之下，出现了大量居家、移动、分散和远程办公的工作场景，这给企业的办公和员工传统的坐班式工作模式带来了很大的挑战。

「 回忆起夜店的那段时光，很多细节是王亮不愿意讲的。和同龄人比，他过早经历了社会辛酸，白天求学，晚上打工，从夜店服务生一路熬到某一流金融支付大厂的工程师。他说“兴趣不是最好的老师，饥饿才是。”」

之前的内容里，我们已经对Pravega的特性和优势进行了介绍，相信大家对它已经有了一个完整的了解。

7月8日，以“中国芯”著称的神州龙芯智能科技有限公司双喜临门，与中国电科核研基金、南通创新区在国际会议中心举行签约仪式。

谷歌研究院推出了名为REFVNLI的创新AI图像评估系统，专门解决主体驱动图像生成的质量评判难题。该系统能同时评估生成图像的文本对齐和主体保持两个关键维度，在多个基准测试中超越现有方法，特别是在物体识别方面领先6.3个百分点。通过巧妙的视频数据训练策略和先进的多模态架构，REFVNLI提供了成本效益高、准确性强的评估解决方案。

STORM框架是一种创新的对话系统研究方法，通过模拟用户和AI助手之间的信息不对称来解决意图触发性问题。研究发现中等程度的不确定性（40-60%未知信息）在某些情况下能够优于完全透明，挑战了传统的AI设计假设。通过对四种主流语言模型的测试，团队确定了不同模型在处理用户意图形成过程中的独特特点，为任务导向对话系统设计提供了实用指导。这项研究对隐私保护设计和偏见缓解具有重要启示，表明信息的战略性限制可能比信息最大化更有效。

想象一下，你正在浏览一张复杂的家庭聚会照片，想向视力障碍的朋友描述照片中特定人物的表情和姿态，或者你需要从监控视频中准确描述某个可疑物体的细节。在这些场景中，我们不仅需要描述整张图片或整段视频，更需要聚焦于特定区域，提供精确而详细的描述。

下面我们将与大家一同回顾一下2018年发生在航空、汽车制造、通信、网络安全、金融、政府、医疗健康、警务、铁路交通、零售等领域的重大IT事故。

2018年11月21日，NVIDIA在苏州举办了GTC China大会。大会上，NVIDIA创始人兼首席执行官黄仁勋在两个多小时的主题演讲中为我们分享了NVIDIA对于AI时代的思考以及众多新产品、新技术和新服务。

大部分国内企事业单位的网络安全的现状是不容乐观的，这一点从这几年相关部门组织的全国性实战攻防演练行动可以看出来。

SPOT是一项开创性研究，揭示了大型语言模型在科学论文错误检测方面的严重不足。研究团队创建了包含83篇跨10个学科领域的论文基准，每篇均包含导致勘误或撤回的已验证错误。最先进的AI模型在此任务上表现惊人地差，最佳模型o3的召回率仅为21.1%，精确率仅为6.1%。案例研究显示，这些模型在长尾知识和复杂推理方面存在根本性缺陷，犯下类似学生的基础错误。这一发现对依赖AI辅助科研的趋势敲响了警钟，强调了当前AI能力与可靠科学验证要求之间的巨大差距。

这位高级副总裁兼CIO采取业务模式优化的方法，制定出能够支撑高通未来增长议程的IT战略。

斯坦福大学研究团队提出SR-DCR框架，通过结合AI自信度评估与不对称多代理辩论，解决大语言模型在面对内在知识与外部信息冲突时的判断难题。该方法让AI学会"信任但验证"，既能有效利用可靠外部信息，又能抵御误导性内容，在ClashEval基准上显著提升了模型的鲁棒性和准确性。