4月23日，以“云网智联新机遇·开启智能新纪元”为主题的2025云网智联大会在北京隆重举行。

2020年可以说是DDoS这一“经典”攻击技术的复兴之年。受全球新冠疫情的重大影响，DDoS攻击的量级也在不断加大，业内遭受DDoS攻击的频率创下了新高。

InfantAgent-Next是一款突破性的多模态通用型AI助手，能通过文本、图像、音频和视频与计算机进行交互。不同于现有方法，它采用高度模块化架构，将基于工具和纯视觉的代理技术融为一体，让不同模型能逐步协作解决分散任务。在OSWorld视觉测试中达到7.27%的准确率，超越Claude-Computer-Use；同时在代码处理基准SWE-Bench和通用任务平台GAIA上也表现出色。其开源设计不仅提供了丰富工具集，还优化了鼠标点击定位和文件编辑功能，为AI自动操作计算机开创了新范式。

上海AI实验室团队开发的InstructVLA系统实现了机器人"边思考边行动"的突破，解决了传统机器人语言理解与动作执行分离的难题。该系统通过创新的两阶段训练和混合专家架构，让机器人能理解抽象指令并灵活执行任务，在复杂推理任务中比现有系统提升92%，标志着智能机器人助手时代的重要进展。

马里兰大学团队开发了名为Huginn的新型AI架构，通过让3.5B参数的小模型学会"深度思考"，在推理任务上达到了50B参数大模型的性能水平。该模型采用循环深度设计，可根据问题复杂度进行1-64轮思考，在数学推理和编程任务中表现出色。这项突破证明了通过优化思考过程而非单纯增加参数规模来提升AI能力的可行性，为更高效、经济的AI发展开辟了新路径。

这是一份由大量区块链术语组成的词汇表，你可以借此将各类理念与定义串联起来，从而更充分地参与到区块链讨论当中。这份词汇表包含Flipside Crypto发布的关于区块链与加密货币的内容。

这项由北京大学和香港科技大学联合完成的研究开发了ContextFlow系统，实现了无需训练的高质量视频物体编辑。该系统通过RF-Solver高精度反演和自适应上下文丰富机制，能够精确插入、替换或删除视频中的物体，同时保持背景完整和时间连续性，在多项指标上超越现有方法，为视频编辑技术带来重大突破。

操作系统的英文简称是OS，Operating System，在超越单一终端、超越单一操控的理念下，而下一代操作的设计哲学将可能被定义为ODS，On Demand System（按需系统），并最终向进化至 “所想即所得”做出准备。

这项由华盛顿大学和微软联合开发的OMNIGUARD研究，提出了一种高效的AI安全检测方法，能够跨越语言和模态（文本、图像、音频）识别有害内容。该方法通过发现大型语言模型内部的通用表示，构建轻量级分类器，比现有方法准确率高出11.57%-20.44%，同时速度提升约120倍。OMNIGUARD在73种语言和多种模态攻击测试中表现出色，展示了极高的数据效率和适应性，为AI系统安全防护提供了重要突破。

斯坦福大学研究团队创建了全球首个创意写作评估基准LitBench，通过分析Reddit写作社区的4万多对故事比较数据，训练AI模型判断创意写作质量。研究发现专门训练的小型奖励模型（78%准确率）能超越大型语言模型评委（73%），但添加推理链反而降低了表现，揭示了创意评判需要直觉性判断的特点。

奥地利科学技术研究所开发的QuEST方法实现了大型语言模型在极低精度下的稳定训练突破。该方法通过哈达玛变换和信任梯度估计器，成功将量化训练的精度极限从8位推进到4位，甚至实现1位精度的稳定训练。实验显示4位QuEST模型在相同资源下超越16位传统模型，运行速度提升达2.4倍，为AI模型的高效部署提供了新解决方案。

这项由清华大学、上海AI实验室等顶级研究机构联合完成的研究，系统分析了当前大推理模型存在的"过度思考"问题，并提出了从推理过程、训练方法、强化学习到架构创新的全方位解决方案。研究发现AI模型经常对简单问题进行冗长推理，浪费大量计算资源，通过多种优化技术可显著提升推理效率，为AI技术的普及和产业化应用提供重要支撑。

哈佛大学和麻省理工学院研究团队开发了MetaFlows，一种革命性的AI学习方法，能让机器像人类一样从少量例子中快速学会新技能。该技术结合流匹配和元学习，显著提升数据效率，在图像生成和视频合成等任务中表现出色。MetaFlows有望在创意产业、教育医疗等领域广泛应用，虽然目前仍面临计算复杂度等挑战，但为通用人工智能发展开辟了新路径。

英特尔自2019年以来就与阿里巴巴 PAI团队紧密合作，将英特尔人工智能（Artificial Intelligence，AI）技术应用到DeepRec中，针对算子、子图、runtime、框架层和模型等多个层面进行优化，以充分发挥英特尔软硬件优势，助力阿里巴巴加速内外部AI业务性能。

蚂蚁集团研究团队开发了梯度引导软掩码技术，解决大语言模型在用户行为理解方面的局限性。该技术通过自适应调节注意力机制，让模型从局部关注平滑过渡到全局理解。在支付宝1.4亿用户数据上的实验显示，这种方法在9项用户认知任务上均取得最佳表现，0.5B参数的专用模型甚至超越了8B参数的通用模型，为个性化服务和用户理解提供了新的技术路径。

「“转码”正在成为不那么好找工作的——文史哲、土木、建筑、“四大天坑”生化环材（生化、化学、环境、材料）等专业毕业生们的主动选择。今日推荐后浪研究所（id：youth36kr）一篇文章，程序员依然是高性价比的工作选择。」

SSR是西湖大学研究团队开发的创新框架，通过引入深度感知增强视觉语言模型的空间理解能力。该方法将原始深度数据转换为结构化的推理语言，作为中间表示，显著提升空间推理能力。研究团队还创建了包含超过百万级的SSR-COT数据集和SSRBENCH评估基准。实验表明，SSR无需重新训练现有模型即可提供显著性能提升，在空间任务上最高改进22.5个百分点，为机器人和计算机视觉领域开创了新的可能性。

这项由俄罗斯AIRI实验室主导的突破性研究发现，AI模型的单个记忆向量能够完美压缩和复原多达1568个文本片段，压缩比达到1500倍。研究测试了14个不同模型，揭示了AI系统巨大的未开发记忆潜力，但当前利用率仅30%。这一发现不仅挑战了对AI记忆机制的传统认知，更为未来更高效的AI系统设计开辟了新方向，有望让AI助手拥有更强的长期记忆和信息处理能力。

Prot2Token是密苏里大学研究团队开发的一种突破性蛋白质建模框架，它通过将各种蛋白质预测任务转化为统一的下一个标记预测问题，解决了传统方法需要为不同任务开发专门模型的限制。这个框架以自回归解码器为核心，配合预训练蛋白质编码器和任务标记引导，实现了从蛋白质序列到结构、功能和相互作用的多样化预测。实验证明其性能媲美甚至超越专门方法，并在结构预测上比AlphaFold2快1000倍。Prot2Token通过多任务学习促进了不同预测任务间的协同效应，为蛋白质研究提供了高效、通用的计算范式。

西安交通大学等机构研究团队提出MUR方法，通过"动量不确定性"概念让AI推理系统学会轻重缓急，在节省50%以上计算资源的同时提升0.62-3.37%的准确率。该方法从物理学动量概念获得灵感，能够识别关键推理步骤并选择性地分配计算资源，解决了AI推理中的"过度思考"问题，为提高AI系统效率开辟了新路径。