Lexsi Labs开发的C-?Θ技术革新了AI安全控制方式，从传统的实时监控转向一次性内在改造。该技术通过精确识别AI内部负责安全判断的神经回路（占比不到5%），对其进行定向调整，使AI天生具备更强的有害内容识别和拒绝能力。实验表明，经改造的模型对有害内容拒绝率提升至75-93%，而对正常功能影响极小，为AI安全部署提供了更高效、可靠的解决方案。

浦项科技大学研究团队发现当前AI模型缺乏音频推理能力，仅凭文字描述无法判断声音属性。他们构建了AuditoryBench++测试平台，涵盖音调、音量比较等5类任务，发现主流AI模型表现接近随机猜测。研究团队提出AIR-CoT方法，通过两阶段训练让AI学会"想象"声音：先识别需要音频推理的文本片段，再调用音频知识模块生成声音特征。实验显示该方法显著提升了AI的音频推理能力。

在2021华为全球分析师大会上，华为董事、战略研究院院长徐文伟发布了迈向智能世界2030的九大技术挑战与研究方向

这项研究介绍了FinTagging，首个面向大型语言模型的全面财务信息提取与结构化基准测试。不同于传统方法，它将XBRL标记分解为数值识别和概念链接两个子任务，能同时处理文本和表格数据。在零样本测试中，DeepSeek-V3和GPT-4o表现最佳，但在细粒度概念对齐方面仍面临挑战，揭示了当前大语言模型在自动化XBRL标记领域的局限性，为金融AI发展提供了新方向。

斯坦福和魁北克研究团队首创"超新星事件数据集"，通过让AI分析历史事件和科学发现来测试其"性格"。研究发现不同AI模型确实表现出独特而稳定的思维偏好：有些注重成就结果，有些关注情感关系，有些偏向综合分析。这项突破性研究为AI评估开辟了新方向，对改善人机协作和AI工具选择具有重要意义。

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。

这篇研究介绍了"量化LLM评价者"，一个创新框架，能使大型语言模型(LLM)在评估其他AI输出时更接近人类判断。由麻省理工和Adobe联合研发的这一方法，将评估过程分为两个阶段：先让LLM生成文本评价，再用轻量级机器学习模型将这些评价转化为更准确的数值评分。研究提出了四种评价者模型，适用于不同评估场景，实验表明它们不仅能显著提高评分准确性，还比传统微调方法更节省计算资源。这一框架特别适合人类反馈有限的场景，为AI评估领域开辟了高效且可解释的新路径。

本文将与大家一起探讨下智能制造，以及近年来工业企业对智能制造的需求变化。以此，用友云总结出了一条工业企业智能化发展的转型路径。

10月25日，在2018微软技术暨生态大会上微软宣布，作为微软智能云“三驾马车”中的重要一环 —— Dynamics 365企业应用云平台计划于2019年春落地中国。届时，Microsoft Azure云计算平台、Office 365云生产力平台、Dynamics 365企业应用云平台将聚首中国市场。

互联网巨头的新玩法，是一次跨维度挑战，但是也是一次新思维重塑。这既未见得不能给传统玩家以新启发，也不好说某天守城一方也可以借此新模式反攻互联网。

AGI（人工通用智能）被多位业界领袖预测将在五年内实现，这一预测基于最新的AI模型发展速度，如GPT-5的即将发布。然而，AGI的实现也面临着能源消耗和算力需求的巨大挑战。

模型、优化和算法，这是用数学优化的方法解决复杂现实问题的几个核心点。

11月2日，普元云计算产品线总经理刘相受邀出席DevOps国际峰会（DOIS）2018·深圳站，在DevOps行业实践及解决方案专场分享《构建企业DevOps度量体系——DevOps驱动价值的交付》。

哈佛大学研究团队开发出革命性的"概念消融微调"技术，能在AI训练过程中精准识别并移除有害概念，就像外科手术般精确。该技术成功解决了AI"意外学习"问题，让模型在掌握目标技能的同时避免不良行为，有害响应率降低90%。这为创造更安全可靠的AI系统提供了新路径。

香港大学联合香港中文大学研究团队首次提出T2I-ReasonBench基准，系统评估AI绘图模型的推理能力。研究发现当前开源模型在处理习语理解、设计规划、知识推理和科学常识等需要深度思考的任务时表现严重不足，平均得分不到50分，而商业模型如GPT-Image-1表现相对较好但仍有提升空间。该研究揭示了AI绘图技术从"按字面理解"向"智能推理"发展的迫切需要。

NVIDIA推出全新开源模型、仿真库、工作流，加速机器人研发进程。

浙江大学联合腾讯AI实验室提出KnowRL方法，通过在强化学习中集成事实性奖励机制，有效解决慢思维AI模型在推理过程中的幻觉问题。该方法在保持原有推理能力的同时，显著提升了模型的事实准确性，为构建更可靠的AI系统提供了新思路。

Meta超级智能实验室研究团队提出了"语言自我对弈"训练方法，让AI模型通过内部竞争机制实现无数据自我训练。该方法将单个模型分为挑战者和解决者两个角色，通过互相博弈提升性能。实验显示，这种方法在不使用任何外部数据的情况下，达到了与传统数据驱动方法相当的效果，为解决AI训练数据稀缺问题提供了创新解决方案。

俄罗斯Sber AI团队开发出NABLA算法，通过邻域自适应块级注意力机制实现AI视频生成2.7倍加速。该算法采用三步优化：降维侦察、智能筛选和精确映射，动态识别重要注意力区域，在保持视频质量的同时大幅减少计算开销，为高效AI视频生成提供新解决方案。