“无服务器计算不仅将从根本上改变后端计算的经济性，也将成为分布式计算未来的核心，”微软首席执行官Satya Nadella在去年的微软Build大会上这样表示。

Meta AI易于使用，提供的图像生成器也相当酷炫。但幻觉问题和乏善可陈的改进效果使其仍处于市场中游水平。

说到愉悦家纺所在的纺织工业，如果我们追溯它的历史，就会发现纺织其实是中国最早的全球化产业之一。两千多年前，张骞通西域，就把的绫罗绸缎带向世界；如今，跨境电商，又以惊人的效率，将中国纺织品直接送达世界各地消费者的家中。

UC Santa Cruz团队开发的OpenVision 2通过去除文本编码器，将视觉编码器训练简化为纯生成式学习，实现训练时间缩短1.5倍、内存使用减少1.8倍的显著效率提升。研究使用高质量合成数据集和token掩码策略，在保持性能的同时成功训练出10亿参数模型，挑战了CLIP式对比学习的必要性认知。

这项研究解决了开源推理大模型领域的关键挑战：如何从零开始构建高质量的长思维链数据集，以解决大语言模型在强化学习中的冷启动问题。研究团队开发了一个创新管道，使普通大语言模型能够产生长思维链推理，方法是先收集少量种子数据捕获o1模型的推理策略，然后通过分步生成扩展到10万个高质量实例。实验表明，使用这一数据集训练的模型在强化学习阶段获得了2-3倍的性能提升，证明了该方法在构建不依赖现有推理大模型的开源替代品方面的巨大潜力。

如果说AI产业现在有一个风向标公司，自然会是英伟达；如果看英伟达最新的动向，那无疑是每年一度的GTC大会；而如果说GTC最不能错过的环节，自然就是黄仁勋的主题演讲了。

这项由阿里巴巴云计算联合浙江大学、南京理工大学开展的研究提出了Repair-R1方法，革命性地改变了自动化程序修复的思路。不同于传统的"先修复后测试"方式，该方法要求AI首先生成诊断性测试用例来理解错误根因，再进行针对性修复。通过强化学习框架同时优化测试生成和代码修复能力，在四个基准数据集上取得显著改进：修复成功率提升2.68%-48.29%，测试生成成功率提升16.38%-53.28%。这种"理解驱动"的修复策略为智能编程助手开辟了新方向。

截至2018年年底，预计将有三分之二（66%）的区块链将被整合至企业系统当中。只有15%的受访者仅通过传闻听说过该项技术，而75%的受访者相信其将“非常有用”。

这项研究分析了82,845个真实开发者与AI助手的编程对话，发现AI回复比开发者提问长14倍，68%为多轮对话。Web开发和机器学习是最热门话题。AI代码质量存在问题：Python代码83.4%命名不规范，JavaScript代码75.3%有未定义变量。研究为改进AI编程助手提供了重要参考。

高通所在的通信和AI领域，技术本身晦涩难懂，技术型公司往往难讲故事，但莫珂东本人，从2016年加入高通公司至今，可以说是这家技术巨头近十年来向消费者世界“布道”的关键人物。

伊利诺伊大学研究团队开发出Dress&Dance系统，这是首个能生成高清虚拟试衣视频的AI技术。用户只需提供个人照片、服装图片和参考动作视频，即可生成1152×720分辨率、24帧每秒的5秒试衣视频。该系统通过CondNet技术统一处理多模态信息，采用分阶段训练策略，支持单件及多件服装同时试穿，在服装细节保真度和动作自然度方面显著优于现有商业产品。

在大会中，来自美国国家工程院院士、斯坦福大学教授Nick McKeown分享了“可编程转发平面将在此驻足”的主题演讲。其中讲到，我们可以看到在网络当中5G网络趋势，这些都会影响到我们网络的发展。

MLE-Dojo是一个创新的交互式环境，专为训练和评估大语言模型(LLM)在机器学习工程领域的能力而设计。由乔治亚理工学院和斯坦福大学研究者共同开发，这个类似健身房的框架基于200多个真实Kaggle竞赛，支持LLM代理通过结构化反馈循环进行迭代实验和改进。不同于传统静态评估，MLE-Dojo提供完整可执行环境，支持监督微调和强化学习，从而更准确地模拟真实工程场景。研究团队对八种前沿LLM的评估显示，虽然当前模型在迭代改进方面取得了进展，但在自主解决复杂问题方面仍有局限。

Synology 2019 年度发布会中国站，于10月13日正式召开。会上，群晖聚焦 "AI"、"智能"、 安全"三个存储趋势，并发布多款即将上市的新品与应用功能。同时，群晖也宣布正式与京东云展开战略合作，携手奠定企业NAS备份新标准。

KAIST研究团队提出VIRAL方法，通过视觉表征对齐技术解决多模态大语言模型视觉理解不精准的问题。该方法让AI模型内部视觉表征与预训练视觉基础模型保持一致，避免训练中视觉细节的丢失，在对象计数、空间推理等视觉任务上取得显著性能提升，为多模态AI的视觉理解能力改进提供了简单有效的解决方案。

ByteDance Seed团队联合清华大学推出的Seed Diffusion Preview模型，通过离散状态扩散技术实现了每秒2146个token的超高代码生成速度，比传统模型快约五倍，同时保持了高质量输出。

台湾大学研究团队开发了MovieCORE数据集，这是首个专门训练AI深度理解电影内容的创新工具。该数据集通过多AI智能体协作生成复杂问题，采用认知分类法测量思维深度，99.2%的问答需要高层次思维。研究还开发了ACE增强技术，可将AI性能提升25%。实验显示现有AI在深度视频理解方面仍存在显著不足，为未来AI发展指明了方向。

MBZUAI研究团队开发的GG技术突破了跨架构程序翻译难题，通过AI将x86程序准确翻译为ARM版本，准确率达99.39%。与苹果Rosetta 2相比，性能快73%、省电47%、内存占用少141%。该技术采用大型语言模型结合严格测试验证，为硬件架构迁移提供了高效解决方案，将推动ARM处理器在数据中心的快速普及。

二十年前，这款企业演示软件被称为“理性的终结”，真有这么严重吗？

中科院团队开发的LLaVA-Mini实现了多模态AI领域的重大突破，将图像理解所需的视觉token从576个压缩至1个，性能不降反升。通过创新的预融合技术和智能压缩机制，该模型计算量减少77%，速度提升3倍，内存占用减少600倍。这一成果使普通设备也能进行高效的图像视频理解，为多模态AI的普及化应用奠定了基础。