Partnership on AI是一个全球性非营利机构，由Google、Facebook、IBM、亚马逊和微软五大科技巨头在2016年9月28日共同成立。

清华团队发现扩散变换器的位置解耦特性，开发出免费的AI图像个性化框架"Personalize Anything"。该技术通过简单的令牌替换和时间步自适应策略，实现高质量的物体定制生成，支持多物体组合、布局控制和图像编辑，在保持身份一致性的同时大幅提升生成效率。

近日，由用友承建的中国广核集团（简称：中广核）智慧司库管理平台建设项目启动会在双方领导的见证下隆重召开。

IBM研究院开发出Col-Bandit技术，这是一种能让AI搜索系统速度提升5倍的智能优化算法。该技术通过动态决策机制，只计算影响最终搜索结果的关键比较，跳过不必要的计算步骤。实验显示，在保持95%准确率的前提下，计算量可减少60-80%。该技术支持即插即用部署，无需修改现有系统，为解决现代搜索系统的计算资源浪费问题提供了实用解决方案。

OpenAI的ChatGPT Agent展示了它能够通过互联网上最常见的安全检查点之一——Cloudflare的反机器人验证。这个AI助手可以控制自己的网页浏览器，在沙盒环境中操作，用户可通过ChatGPT界面窗口监督其行为。Reddit用户发现它能轻松点击"验证你是人类"复选框，通过行为筛选系统，展示了AI在处理视觉内容和多步骤流程方面的能力，这远超简单的脚本自动化。

DeepMind正与美国退伍军人事务部(U.S. Department of Veterans Affairs)合作开发人工智能技术，帮助医生预测患者病情可能的突然恶化。

中国医疗服务市场规模巨大。在国家政策推动下，中国医疗服务行业正在积极进行数字化、智能化改革。医疗和生命科学产业与云计算、大数据等新兴技术相结合的过程中，技术创新是实现价值医疗的支撑，人工智能和物联网成为技术创新的变革力量。

微软今天宣布将收购人工智能开发软件制造商Bonsai AI Inc.。这次收购某种程度上代表着Bonsai两位共同创始人的回归。Bonsai首席执行官Mark Hammon和产品副总裁Keen Browne都是前微软工程师。

卡内基梅隆大学研究团队开发了推理缓存技术，通过"思考-总结-再思考"的循环机制，让AI模型能够进行超长期推理。该技术将传统的一次性推理分解为多轮短推理，每轮后进行总结并基于总结继续推理。实验显示，40亿参数的模型使用该技术后在数学推理任务上准确率提升超过30%，甚至超越了专门的大型推理模型，同时显著提高了计算效率。

中科大联合牛津等机构发布Code2World技术，首次让AI学会预测界面操作结果。该技术通过生成HTML代码方式，让AI能像人类一样"预知"点击按钮后的界面变化，在AndroidWorld测试中将AI助手成功率提升9.5%，为智能人机交互开辟新路径。

网络安全巨头Check Point昨天宣布收购云电子邮件安全初创公司Avanan，金额未对外公布。据知情人士称，这次收购的价格在2.5亿至3亿美元之间。

MIT与Adobe Research联合开发的STEMPHONIC系统突破了音乐AI生成的技术瓶颈，能够同时生成多种乐器音轨并保持完美同步，效率比传统方法提升25-50%。该系统通过创新的"音轨分组"和"噪声共享"技术，让AI学会了乐队协作思维，支持自然语言控制和精细的时间控制功能，为专业音乐制作和普通创作者都提供了强大的音乐创作工具。

6月19日，微软宣布推出了Azure Bastion服务的预览版，该服务能够让企业通过私人互联网连接到Azure虚拟机。微软表示，对于那些不希望通过公共互联网连接到Azure虚拟机的企业来说，Azure Bastion托管服务是一个额外的保护措施。

上海交通大学邓志杰教授团队开发出革命性的D2F技术，成功让AI文本生成速度比传统模型快2.5倍。该技术通过巧妙的分块并行处理和预测机制，在大幅提升速度的同时保持文本质量不变，打破了AI领域长期存在的"速度与质量不可兼得"难题，为未来AI应用带来重大突破。

腾讯AI Lab等机构联合研究解决了AI大语言模型的"幻觉"问题。他们开发的"迭代自调优"方法教会AI诚实承认不确定性，而非编造错误信息。实验证明该方法显著提升了AI的诚实度和可靠性，同时保持了有用性。这项突破将让AI助手在医疗、教育、法律等关键领域变得更加可信，为构建可靠的人工智能系统奠定基础。

携程集团在中国已耕耘24年，在国际上也深耕多年，一直以来携程集团的愿景就是持续改善用户体验，为亿万旅行者提供完美旅程。

斯坦福大学研究团队提出FramePack技术，通过几何级数压缩和反向采样策略，有效解决了AI视频生成中的遗忘-漂移矛盾问题。该方法实现了固定计算复杂度下的任意长度视频生成，在多项评估指标上表现优异，为AI视频生成领域带来重要突破。

斯坦福大学等机构的研究团队通过理论分析和实验验证，揭示了当前AI大模型训练中广泛使用的RLVR技术存在"无形枷锁"现象。研究发现RLVR主要是在基础模型已有知识范围内进行概率重分配，很难真正扩展AI的推理边界，同时在精度提升的代价下可能损失探索多样化解决方案的能力，为未来AI训练方法的改进提供了重要理论指导。

新加坡国立大学ShowLab团队提出FAR模型，通过"长短期上下文建模"和多级缓存系统，解决了AI视频生成中的长期记忆问题。该模型能生成长达300帧的连贯视频，在多个基准测试中达到最优性能，为AI世界模拟器的发展奠定重要基础。

耶鲁大学研究团队开发出ANCHOR方法，通过"分支点扩展"策略解决AI桌面操作训练数据稀缺问题。该方法从高质量种子演示出发，在关键界面变化点创造任务变种，生成平均17.24步的长序列轨迹，配合多层质量控制确保数据可靠性。实验显示在两个主流测试平台上模型性能显著提升，为实用化桌面AI助手奠定基础。