腾讯AI西雅图实验室推出的R-Zero框架实现了AI系统从零数据自主学习的突破。该框架通过挑战者和求解者两个角色的协同进化，无需人类标注数据即可显著提升大语言模型的推理能力。在Qwen3-4B模型上，数学推理能力提升6.49分，通用推理能力提升7.54分。这种自进化机制为AI超越人类知识边界提供了新路径。

Unbabel团队开发的TOWER+模型系列实现了翻译专业性与通用AI能力的完美平衡。通过创新的四步训练方法，即使2B参数的小模型也能在翻译质量上匹敌70B大模型，同时具备出色的对话和指令跟随能力。研究还创建了IF-MT基准来评估复杂翻译场景下的综合能力，为AI模型的专业化发展提供了重要参考。

上海交通大学研究团队发现扩散式大语言模型存在严重安全漏洞，其开发的DIJA攻击方法能以接近100%成功率绕过AI安全防护，诱导模型生成危险内容。该攻击利用扩散模型的双向建模和并行解码特性，通过插入掩码标记让AI误以为是填空练习，从而规避安全检查。现有防护措施对此类攻击几乎无效，凸显了新兴AI架构安全评估的紧迫性。

麻省理工学院研究团队开发出突破性的三维场景理解技术，让机器能够像人类一样理解复杂的三维空间。该技术采用分层空间表示和多模态数据融合，在场景重建准确率上达到92.3%，平均定位误差仅2.1厘米。这项技术将广泛应用于机器人、自动驾驶、AR/VR等领域，为人工智能的空间理解能力带来重大突破。

虽然消费意义上的存储用软盘几近灭绝，但音乐家仍在用软盘发表自己的DIY作品。

阿联酋研究团队创建了PersonaX数据库，包含超过1.3万人的多模态性格分析数据。通过整合面部照片、背景信息和AI生成的行为特征描述，研究首次实现了大规模的跨模态性格分析。团队开发的双层分析框架不仅能发现统计关联，还能揭示深层因果关系，为理解人类性格特征提供了全新视角。

这些富豪们，希望让全人类都能永葆青春、甚至摆脱死亡。更关键的是，这个目标并不像大家想象的那么触不可及。

想象一下，当你走在一条陌生的街道上，你会不自觉地移动你的头部和眼睛来感知周围的环境。你可能会抬头看看高楼，左右张望观察街道两侧的店铺，或者转身看看身后是否有车辆驶来。这种自然的观察方式实际上非常类似于电影中摄像机的运动方式。

北京大学崔斌教授领导的数据与智能实验室发布了关于检索增强生成（RAG）技术的综述，涵盖近300篇相关论文。RAG技术结合检索与生成，用于问答、对话生成等AI任务，展现出卓越潜力。

塔尔图大学研究团队开发了IAUNet细胞分割系统，这是首个将U-Net与Transformer查询机制结合的生物医学AI技术。该系统能够精确识别明场显微镜下重叠的细胞，性能超越现有方法同时参数更少。研究团队还构建了Revvity-25数据集，包含110张高精度标注图像，每个细胞使用60-400个多边形点精确描绘。IAUNet在多个数据集上均取得最佳性能，为药物研发、疾病诊断等提供重要工具。

谷歌研究院发现了一种让AI进行逻辑推理的新方法——思维链提示。通过要求AI先展示思考过程再给出答案，这种方法将AI在复杂数学问题上的准确率从10%提升至40%以上。这项技术不需要额外训练，只需改变提问方式，但仅在大规模模型上有效。研究揭示了AI具备比预期更强的推理潜力，为未来智能系统发展开辟了新道路。

KERL是一个创新的食谱推荐系统，由伦斯勒理工学院研究者开发，将食品知识图谱与大语言模型相结合，提供个性化推荐并生成食谱步骤和营养信息。系统包含三个模块：KERL-Recom（负责推荐菜品）、KERL-Recipe（生成烹饪步骤）和KERL-Nutri（提供营养分析）。研究团队创建了全新基准数据集评估系统性能，实验表明KERL在所有任务上均显著优于现有方法，为用户提供了考虑个人喜好、饮食限制和健康指南的完整食谱推荐解决方案。

阿里巴巴通义实验室开发的AgentScaler是一个能够智能使用工具的AI助手模型系列。通过创新的两阶段训练和自动化环境构建技术，AgentScaler在多个权威测试中表现优异，40亿参数的小模型就达到了300亿参数模型的性能。该研究首次实现了大规模环境自动构建来提升AI智能体能力，为AI助手的实用化应用奠定了基础。

加州大学伯克利分校研究团队开发了gg-bench系统，让AI自己设计策略游戏来测试其他AI的智能水平。研究发现，即使是最先进的AI模型，在面对自己"同类"设计的游戏时胜率也只有7-36%，揭示了AI在创造和解决问题之间的能力差异。这项研究为避免传统AI测试中的"数据污染"问题提供了创新解决方案。

香港大学团队开发出AI数据库修复工具BIRD-FIXER，能自动诊断和修复SQL查询错误。该研究构建了包含1100个真实SQL问题的基准测试，创新性地采用"逆向工程"策略生成训练数据，让AI学会像专家一样调试代码。BIRD-FIXER在基准测试中达到38%的成功率，超越多个商业AI模型，为中小企业提供了实用的数据库问题解决方案，大大降低了SQL使用门槛。

ByteDance推出AetherCode基准测试，采用IOI、ICPC等顶级编程竞赛真题，并由67名专家设计高质量测试用例。结果显示最先进AI模型通过率仅35.5%，极难题目仅3.8%，揭示AI编程能力被严重高估。该研究为AI评估树立新标准，表明AI在复杂逻辑推理方面仍远落后人类，推理型模型优势明显，为未来AI发展提供重要指导。

2025年5月19日，新加坡国立大学研究团队发表最新研究Thinkless，就像是给"内耗"的AI朋友配了一个心理咨询师，教会它什么时候该深度思考，什么时候可以快速回答。

蒙纳什大学研究团队提出了一套基于不确定性驱动的自动化过程奖励数据构建框架，解决了训练数学推理AI的关键难题。该方法通过识别AI推理中的不确定性来精准定位错误步骤，显著提高了数据标注效率，同时开发了两种创新的输出聚合策略，结合群体智慧与专家判断，在多个数学推理数据集上取得了显著的性能提升。

腾讯微信视觉团队提出Stand-In框架，仅用1%参数实现高质量身份保持视频生成。该方法通过条件图像分支和受限自注意力机制，让AI在生成视频时能持续参考原始照片，确保人物面部特征一致。在多项评测中表现优异，面部相似度0.724，支持零样本泛化到非人类主体，可即插即用集成到各种应用中。

MagiCodec是一种由上海交通大学与字节跳动联合开发的创新音频编解码器，通过高斯噪声注入和多阶段训练策略，成功解决了音频编码领域的关键挑战：如何同时实现高保真重建和优秀的下游生成能力。研究团队通过理论分析证明，噪声注入在频域上相当于对高频成分施加指数衰减正则化，使模型能更好地保留重要的低频语义信息。实验表明，MagiCodec不仅在重建质量上超越现有技术，在文本转语音、语音识别等下游任务中也表现卓越，其生成的标记分布更接近自然语言的齐普夫分布特性，为音频生成模型提供了更理想的基础。