浙江大学研究团队开发的"自制动力训练"（Self-Braking Tuning，SBT）方法解决了大型语言模型在推理过程中的过度思考问题。该方法不依赖外部干预，而是培养模型自主识别冗余推理并适时终止的能力。研究者通过分析推理效率比率和过度思考标记比率，构建了两种数据策略：SBT-E（精确版）和SBT-D（动态版）。实验结果表明，经过训练的模型在多个数学基准测试上保持原有准确率的同时，将标记消耗减少了30%到60%，显著提高了推理效率。这项创新使AI系统能更像人类一样有效思考，为资源受限环境下的AI部署提供了新解决方案。

四川省作为2012年中国首批智慧城市试点的省域之一，紧抓各城市发展的鲜明底色，加速建设智慧城市。

这项由德国慕尼黑大学等机构联合完成的研究提出了FedNano框架，创新性地解决了多模态大语言模型在联邦学习中的部署难题。通过将模型拆分为服务器端核心和客户端轻量级NanoEdge模块，结合Fisher合并技术处理数据异质性，实现了95%的存储减少和99%的通信优化，同时保持了优异性能，为AI技术的普及化应用开辟了新路径。

香港理工大学研究团队提出ZeCO技术，通过创新的All-Scan通信机制解决了分布式AI系统处理超长文本时的通信瓶颈问题。在256台机器上测试时，ZeCO比现有最先进方法快60%，通信时间快4倍，实现了接近理论最优的性能，为超长文本AI应用开辟了新可能。

小米LLM-Core团队开源了两款强大的视觉语言模型MiMo-VL-7B-SFT和MiMo-VL-7B-RL，在通用视觉理解和多模态推理领域创下新纪录。仅有7B参数的MiMo-VL-7B-RL在40项评测中的35项上超越Qwen2.5-VL-7B，在OlympiadBench上达到59.4分，超越了参数量达78B的模型。研究采用四阶段预训练与混合在线策略强化学习相结合的方法，处理了2.4万亿个标记。研究发现，预训练阶段纳入高质量推理数据至关重要，而混合强化学习虽提升性能但存在多任务同步优化挑战。

8年前，荣耀是怎么确定下AI这个赛道，并敢于定下在全球市场与苹果三星竞争的目标？

随着虚拟化、云原生等新技术的快速发展，企业数据中心基础设施也发生了翻天覆地的变化，开始从传统架构全面转向云架构，这让混合云架构被越来越多的企业所认可并采用。

浙大联合蚂蚁集团通过系统性研究发现，开源AI在数据分析上表现不佳的根本原因是缺乏战略规划能力。研究团队通过精心设计的数据合成方法，成功提升了开源模型的表现，14B模型甚至能媲美GPT-4，证明了高质量训练数据比海量数据更重要，为开源AI在数据分析领域的发展指明了新方向。

本文介绍了一种新的提示方法,旨在充分利用多智能体人工智能系统。随着智能体AI的兴起,我们将面临如何通过提示来调用合适的智能体AI完成任务的挑战。文章探讨了"驾驶员座位"和"乘客座位"两种提示方法,并提供了实际应用示例。同时还介绍了最新的多智能体AI研究进展,包括基于句子嵌入的智能体推荐技术。

卡内基梅隆大学等机构研究团队推出HARDTESTS，解决AI编程测试的可靠性危机。研究显示现有测试集有高达60%的通过测试程序实际存在错误，而80%的编程问题无法获取人类编写的官方测试用例。团队开发的HARDTESTGEN管道通过三种方式生成测试：直接生成的小规模输入、随机常规输入和专门设计发现隐藏错误的"黑客输入"。实验证明，与现有方法相比，HARDTESTS在评估AI代码时准确率提升11.3个百分点，召回率提升17.5个百分点，对困难问题的准确率提升可达40个百分点。

如何在不同地域、不同文化、不同制度下做到安全合规？这个问题在 3 月 29 日“大咖说出海”第二期中得到了解答。

上海交通大学团队开发了MemOS记忆操作系统，让AI拥有真正的长期记忆能力。该系统统一管理参数记忆、激活记忆和明文记忆三种类型，通过MemCube智能单元实现记忆的生命周期管理和跨类型转换。在LOCOMO基准测试中，MemOS在所有推理任务上均获得最佳成绩，特别在多跳推理和时间推理中表现突出。

田纳西理工大学研究发现，在特定条件下，纯粹追求短期利益的人工智能反而会自发表现出探索行为。研究通过多臂老虎机和网格世界实验证实，当环境具有重复结构且智能体拥有足够记忆时，贪婪策略能够产生类似Thompson采样的探索效果。这一发现挑战了探索与利用必须对立的传统观点，为简化强化学习算法设计提供了新思路。

冒险是创业常态，如何挑选正确的合作伙伴，对于创业至关重要。

以太坊正在积极“瘦身”，希望借此应对其它高效率区块链方案带来的挑战压力。

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。