使命召唤是一款由美国动视暴雪（Activision Blizzard）有限公司开发的第一人称角色扮演射击类视频游戏，10月25日，该系列游戏最新版本《使命召唤16：现代战争》，Call of Duty®: Modern Warfare®，下文也称COD16）开始全球解锁发售，售价约60美元。

说起IBM的LinuxONE以及Oracle的Exadata，相信在IT行业从事基础架构工作的同业们都不陌生。最直观的印象就是：它们都是大型服务器，体积非常庞大，价格非常昂贵，一个是IBM的拳头产品，一个是Oracle的拳头产品。

中科院自动化所团队开发出Reflection-V视觉推理模型，首次让AI学会在推理过程中主动回顾检查图像信息。该模型通过创新的多智能体训练数据构建和视觉注意力奖励机制，解决了传统AI视觉推理中"看一眼就算数"的问题，在数学推理、多学科知识问答等任务上显著超越现有模型，甚至在某些测试中超过参数量大5倍的模型。

以色列理工学院研究团队开发出一种新颖的AI推理改进方法，通过训练专用的"继续思考"标记，让AI模型在解题时能够进行更深入的思考。该方法只需训练单个标记的嵌入向量，保持模型其他参数不变，在数学推理任务中展现出显著效果，准确率提升幅度达到传统方法的三倍以上，为AI推理能力提升提供了高效且通用的解决方案。

Adobe Research与德州大学联手开发"自我强迫"训练法，让AI在视频生成时边做边学，彻底解决传统方法中错误会越积越多的问题。这种创新训练方式实现了真正的实时视频生成，在单GPU上达到17帧每秒的处理速度和亚秒级延迟，为直播、游戏和实时交互应用开辟了全新可能性。研究团队还引入滚动键值缓存机制，实现了理论上无限长的视频生成能力。

伯克利大学研究团队通过测试15个AI模型在五种推理策略上的表现，发现AI的"思考方式"直接影响答题效果。大模型可灵活运用各种策略，小模型需精准匹配任务特点。数学题适合步骤式推理，开放问题需要搜索式方法，效率优先场景宜选简洁策略。研究揭示了AI推理能力的规模门槛效应。

复旦大学团队发布BMMR数据集，这是首个大规模跨学科多模态推理评估基准，包含11万个涵盖300个学科的大学水平问题。研究发现即使最先进的AI模型在跨学科推理中表现有限，揭示了当前AI发展的重要盲点。该数据集支持中英双语，配备专门的推理过程评估工具，为AI向通用智能发展提供重要支撑。

康奈尔大学研究团队发现，预训练的大语言模型具备惊人的"密码破解"能力，能够仅通过观察例子就自动学会识别和预测隐马尔可夫模型中的隐藏模式。这种"上下文学习"能力在多数情况下达到理论最优水平，大大降低了复杂数据分析的技术门槛，为生物学、心理学等各领域的科学研究提供了强大而易用的新工具。

EarthMind是一个创新的视觉-语言框架，专为解决地球观测领域的多尺度和多传感器理解挑战而设计。由多所国际知名大学联合开发的这一系统引入了两项关键技术：空间注意力提示(SAP)机制重新分配大型语言模型内部的注意力，增强像素级理解；跨模态融合机制则将异构模态如光学和雷达数据对齐并智能融合。

阿里巴巴与香港中文大学合作开发了SCRIT系统，让AI大模型学会自我评判和纠错。该系统通过对比学习机制，先分析标准答案理解关键概念，再评判学生解答，配合自我验证确保质量。在数学和科学推理测试中，评判准确率提升10%，错误识别能力提升19%，开创了AI自主改进的新方向。

阿里抓住云计算的契机，依托绝无仅有的“双十一”海量数据和高并发的实战考验，冲破了传统商业数据库的长期垄断，终于实现了国产自研数据库的跨越。

TULIP是加州大学伯克利分校开发的新型多模态AI模型，通过统一的学习框架解决了传统图像-文本模型在精细视觉理解方面的不足。该模型采用多视角对比学习、生成式数据增强和重建正则化等创新技术，在保持强大语义理解能力的同时显著提升了对视觉细节的捕捉能力，在多个基准测试中取得了显著的性能提升。

企业上云的根本动力就是为了提高应用的开发效率、灵活性，但是要充分发挥这些优势，还需要企业改变原来的开发和运维方式。

2018 高通4G/5G峰会与首届峰会相比，OEM、ODM、运营商、零部件厂商、渠道商、内容提供商等合作伙伴的数量增长超过150%。希望先进的无线数字技术能够更好的造福人类的高通在如此庞大的产业生态中扮演怎样的角色呢？且来观之。

这篇研究介绍了香港科技大学团队开发的难度感知提示法(DAP)，一种能够根据问题难度智能调整推理链长度的创新方法。通过这一方法，研究者构建了LiteCoT数据集，包含10万个简洁推理样本，平均仅720个标记，比传统方法减少约90%。基于此数据集训练的Liter模型系列在多项基准测试中表现优异，在AIME24数学考试上达到74.2%的通过率，同时仅使用约5,000个推理标记。研究证明，精简且难度适应的推理链不仅能节省计算资源，还能提高模型性能，为构建更高效的AI推理系统提供了新思路。

华为科技团队开发出首个多视角3D空间理解基准测试Ego3D-Bench，包含8600个测试样本，覆盖距离测量、定位、运动推理等任务。同时推出Ego3D-VLM解决方案，通过构建文字版认知地图显著提升AI空间理解能力，多选题准确率提升12%，距离估算误差减少56%，为自动驾驶和机器人应用提供关键技术支撑。

这项研究由加州大学伯克利分校团队完成，通过创建"Search Arena"平台收集了24,000多次用户与搜索增强型大语言模型的真实交互数据。研究发现用户提问远不止简单事实查询，他们更看重引用丰富的回答，即使引用与内容无直接关联。有趣的是，用户更偏爱社区平台引用，而非维基百科。研究还表明搜索能力不会影响AI在普通场景中的表现，但在需要实时信息时至关重要。这些发现为改进下一代AI助手提供了重要指导。

你是否曾经因为衣服色彩搭配不协调而尴尬？或者在医学诊断试纸上辨别微妙的颜色变化时感到困惑？色彩在我们的日常生活中扮演着至关重要的角色，从科学发现到医疗保健，从购物到艺术欣赏，无处不在。而人工智能，特别是视觉语言模型(VLMs)，正在迅速融入我们的生活，但它们真的能像人类一样理解和利用色彩信息吗？

康考迪亚大学研究团队通过对比混合量子-经典神经网络与传统模型在三个基准数据集上的表现，发现量子增强模型在准确率、训练速度和资源效率方面均显著优于传统方法。研究显示混合模型的优势随数据集复杂度提升而增强，在CIFAR100上准确率提升9.44%，训练速度提升5-12倍，且参数更少。该成果为实用化量子增强人工智能铺平道路。

荷兰埃因霍芬理工大学研究团队开发出一种智能心脏超声除雾技术，能够自动识别图像中被"雾霾"污染的区域并进行有针对性清理。该技术结合语义分割和扩散模型，首先让AI识别心脏各部分结构，然后根据不同区域特点采用不同强度的除雾处理，在国际挑战赛中表现优异，为解决心脏超声图像质量问题提供了新思路。