如今三年已近，在绿色新政实施的过程中，既有硕果累累，也有经验教训。这些都是宝贵的财富，可以作为我们能源转型与碳中和的参考与借鉴。

北京智源人工智能研究院等机构联合发布的AgentCPM-Report系统，首次实现了"写作即推理"的AI报告生成框架。该系统让80亿参数的小模型在写作过程中不断思考调整，突破了传统"先规划后执行"模式的洞察力天花板，在多项基准测试中超越了大型商业AI系统，为本地化深度研究提供了隐私安全的解决方案。

武汉大学团队开发出FinCDM金融AI认知诊断框架，首次将教育心理学的认知诊断理论应用到金融AI评估中。该框架能像医生体检一样精确诊断AI模型在70个金融概念上的具体掌握情况，而非传统的粗糙总分评估。研究构建了基于CPA考试的高质量数据集，对30个AI模型的测试揭示了模型间的隐藏差异和现有评估的盲区，为金融AI的精准选择和针对性改进提供了重要工具。

德国研究团队开发出MedSAMix技术，这是一种无需训练的AI模型融合方法，专门用于医学图像分割。该技术通过智能组合现有的通用型和专用型AI模型，在25个医学影像任务上实现了显著性能提升，单任务场景下提升6.67%，多任务场景下提升4.37%。与传统需要大量GPU和数天训练的方法相比，MedSAMix仅需2-4块GPU和数小时即可完成优化，大幅降低了医疗AI的应用门槛和成本，为医疗机构提供了更经济高效的智能诊断解决方案。

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。

耶鲁大学团队首创AI论文审稿基准测试系统LIMITGEN，通过人工植入缺陷和真实审稿数据两套测试集，系统评估大语言模型识别科学论文局限性的能力。结果显示AI审稿准确率约52%，远低于人类专家的86%，但检索增强技术和多智能体协作显著提升了性能，为AI辅助学术评议提供了新思路。

浙江大学等联合研究发现，AI强化学习效果取决于"模型-任务对齐"程度。当AI擅长某任务时，单样本训练、错误奖励等非常规方法也有效；但面对陌生任务时，这些方法失效，只有标准训练有用。研究团队通过大量实验证实，这种"舒适圈"现象比数据污染更能解释训练差异，为AI训练策略优化提供了新思路。

UC伯克利研究团队发现了一种革命性方法，能够在不重新训练的情况下修复AI视觉系统的注意力异常问题。他们识别出少数"寄存器神经元"是造成注意力噪点的根源，并开发出"测试时寄存器"技术，将这些异常重定向到专门区域。该方法在多项视觉任务中表现出色，性能媲美专门训练的系统，同时还能抵御印刷攻击，为AI视觉技术的实际应用提供了简单高效的改进方案。

VeriGUI是新加坡南洋理工大学等机构开发的GUI智能体训练数据集，专门用于教AI学会复杂电脑操作。该数据集最大创新是将复杂任务分解为可独立验证的子任务，每个任务平均包含214个操作步骤，涵盖网页和桌面两大场景。目前最先进AI智能体测试成功率仅8.5%，显示了数据集的挑战性，为开发真正实用的数字助理AI奠定了重要基础。

发布watsonx是IBM推进混合云与AI战略、助力企业云智转型的又一里程碑。

颠覆式创新还是学术诈骗？韩科院联名谷歌发布新模型架构MoR

一方面，华为、BAT等科技和互联网公司正在打破汽车业的传统集中度。另一方面，新晋亮相车展的新兴厂商们实现车型量产，并不意味着它们将进入收获期，未来的一两年时间才是生死大考。

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。

斯坦福大学研究团队开发了史上最具挑战性的AI数学推理测试系统Putnam-AXIOM，基于威廉·洛威尔·普特南数学竞赛的522道大学级难题。测试结果显示，即使最强的AI模型也只能达到42%的正确率，远低于它们在传统测试中的表现。研究还创新性地引入了变形题目生成和教师强制准确率评估方法，有效识别了AI对训练数据的记忆依赖问题，为真实评估AI数学推理能力提供了新标准。

这项由多伦多大学等机构联合完成的研究提出了令牌扰动引导（TPG）技术，通过"洗牌"操作改进AI图像生成质量。该方法无需额外训练即可显著提升图像生成效果，在无条件生成中质量指标提升近2倍，条件生成中接近最先进CFG技术的表现。TPG具有即插即用、通用性强的特点，为AI图像生成技术发展提供了新思路。

科技未来可期，值得我们共同奔赴。

中国工程院院士邬贺铨讨论了人工智能的发展，从IBM的深蓝到AlphaGo再到ChatGPT，展示了AI从判别式到生成式的进步。他强调了数据在AI时代的重要性，提出了数据共享与开放的必要性，并指出中国在数据产量和存储量上与美国存在差距。他还提到了政府数据的利用率不高，需要改进数据共享和开放机制。邬贺铨建议加强数据治理，提升数据安全，促进社会数字化，并强调了大模型技术在社会治理中的潜力与风险。

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。

南京大学与伦敦大学学院联合开发了CONTEXTBENCH基准，专门评估编程助手的代码上下文检索能力。研究发现复杂助手并不优于简单工具，当前助手普遍存在信息整合障碍，平均丢失17.9%-43.5%的正确信息。该研究通过1136个真实任务和专家标注，揭示了智能编程工具的可靠性问题，为行业发展提供重要警示。

复旦大学和阿里巴巴联合推出VStyle，这是全球首个专门评估AI语音风格适应能力的基准测试。该研究解决了当前语音AI只关注"说什么"而忽视"怎么说"的问题，提出包含声学控制、自然指令、角色扮演、情感共情四类测试的1523个双语指令集。创新性地使用大型音频语言模型作为评判系统，实现了接近人类专家水平的评估一致性。测试结果显示商业系统明显优于开源系统，为语音AI向更自然人性化交互发展提供了重要技术基准。