这项由Google DeepMind团队完成的研究开发了AlphaFold系统，能够从氨基酸序列准确预测蛋白质三维结构。在CASP14竞赛中，系统达到92.4分的惊人准确度，远超传统方法。该技术正在革命性地改变药物研发、基础生物学研究等领域，为科学家提供了快速获取蛋白质结构信息的强大工具，标志着计算生物学的重大突破。

这项由中国科学院大学、新加坡国立大学、浙江大学和耶鲁大学研究人员联合发表的研究提出了VF-EVAL，一个专门评估多模态大语言模型对AI生成视频提供反馈能力的新基准。研究通过四项任务：连贯性验证、错误感知、错误类型检测和推理评估，全面测试模型理解合成视频的能力。研究发现即使是最先进的GPT-4.1模型也难以在所有任务上保持良好表现，表明AI对生成视频的理解仍有巨大提升空间。研究还通过REPROMPT实验证明，将大模型反馈与人类偏好更好地对齐可以显著提升视频生成质量。

Spotify研究团队通过系统性实验发现，传统为搜索或推荐任务单独优化的语义身份证在统一系统中存在严重的性能冲突。他们提出的多任务训练方法能够同时学习查询匹配和用户行为预测，为每个物品生成既适合搜索又适合推荐的统一身份证，在两个任务中都达到良好平衡效果，为构建下一代生成式推荐系统提供了重要技术路径。

马克斯·普朗克研究所推出GPTailor技术，通过多模型智能融合实现大语言模型25%参数削减的同时保持97%性能，为AI模型高效部署提供新思路。该方法将模型压缩从单一模型"减法"转变为多专业模型"重组融合"，在14项基准测试中显著优于传统压缩方法。

复旦大学团队发布BMMR数据集，这是首个大规模跨学科多模态推理评估基准，包含11万个涵盖300个学科的大学水平问题。研究发现即使最先进的AI模型在跨学科推理中表现有限，揭示了当前AI发展的重要盲点。该数据集支持中英双语，配备专门的推理过程评估工具，为AI向通用智能发展提供重要支撑。

关于机器人流程自动化的一切，以及先锋厂商UiPath的成长路径。

过去一年间，AI模型迎来一波蓬勃发展。无数模型开始通过学习作品创造出新的艺术、音乐和代码。但随着工具的逐渐强大，悬而未决的法律难题可能会影响到该领域的未来。

NAVER和KAIST研究团队发现，先进AI模型在数学题自我修正方面存在严重缺陷。他们创建的MMRefine基准测试揭示，即使是GPT-4O等顶级模型也只能成功修正约23%的错误答案，而且经常将正确答案改错。研究发现不同模型在处理六种错误类型时表现差异巨大，特别是小型模型在空间推理修正上竟然超越了大型模型，颠覆了"越大越好"的认知。

ShanghaiTech大学研究团队开发了BANG系统，能让3D模型像变形金刚一样自动分解成零部件，生成爆炸图。该系统采用"生成式爆炸动力学"技术，通过AI深度学习理解物体结构逻辑，实现从完整到分解的平滑过渡。相比传统表面分割方法，BANG能处理内部结构，生成完整体积部件，处理速度提升8倍以上。系统支持语言控制和2D交互，可应用于3D打印、教育展示、产品设计等领域，为3D智能应用开创新范式。

康奈尔大学研究团队提出了"价值引导搜索"方法，通过训练标记级价值模型来优化大型语言模型的推理过程。他们收集了250万个数学推理轨迹，训练了15亿参数的评估模型，实现了基于块的高效搜索。这种方法不需要预定义"步骤"概念，也无需昂贵的每步标注。在四个数学竞赛基准测试中，该方法使DeepSeek-1.5B模型达到了45.7%的平均准确率，与更大模型相当，同时显著减少了计算资源需求。研究团队开源了数据集、模型和代码，为高效人工智能推理提供了新范式。

当你在《我的世界》中跳跃时，AI能瞬间将你的想法变成脚下奔涌的虚拟河流——Skywork AI的Matrix-Game模型让键盘成为拨动虚拟世界的开关，170亿参数的“造物主”实时编织出符合你意图的动态场景，重新定义人机共舞的未来。

智谱AI和清华大学联合发布GLM-4.1V-Thinking视觉语言模型，通过创新的推理导向训练框架，让AI学会像人类一样深度思考后再回答。该模型在多个基准测试中超越了规模更大的竞争对手，并首次在开源社区提供了完整的多模态推理解决方案，为AI技术的实际应用开辟了新路径。

浙江大学研究团队通过OmniEAR基准测试揭示了当前AI模型在物理世界推理方面的严重缺陷。测试显示，即使最先进的AI在明确指令下能达到85-96%成功率，但面对需要从物理约束推断行动的任务时，成功率骤降至56-85%。研究发现信息过载反而降低AI协作能力，监督学习虽能改善单体任务但对多智能体协作效果甚微，表明当前架构存在根本局限性。

斯坦福大学研究团队开发出"分数推理"技术，让AI能够像人类一样根据问题难度智能调节思考深度。该技术通过提取和控制AI内部的"推理强度向量"，实现了推理强度的连续调节，在数学推理等任务中显著提升了AI表现。这项无需重新训练的技术为AI推理能力的个性化和自适应化开辟了新方向。

韩国汉阳大学联合高通AI研究院开发出InfiniPot-V框架，解决了移动设备处理长视频时的内存限制问题。该技术通过时间冗余消除和语义重要性保留两种策略，将存储需求压缩至原来的12%，同时保持高准确性，让手机和AR眼镜也能实时理解超长视频内容。

清华大学研究团队开发出TTRL技术，让AI无需标准答案即可自我学习。通过"多数投票"机制，AI分析自己的多个解答找出最佳答案并以此改进。在数学竞赛中表现卓越，AIME 2024正确率提升159%。这种"无师自通"能力标志着AI向真正自主智能迈进的重要突破。

当AI正在经历"摩尔式"狂奔时，我们比以往任何时候都更应思考，如何确保技术进步不会侵蚀文艺创作这一人类文明的珍贵财富。这不仅关乎技术的未来，更关乎人类文化传承的根本。

法国奥尔良大学研究团队开发出WGAST系统，首次实现利用人工智能将1公里粗糙卫星温度数据转换为10米高分辨率地表温度图。该系统融合Terra MODIS、Landsat 8和Sentinel-2三种卫星数据，采用创新的弱监督学习策略，在保持每日更新频率的同时大幅提升空间精度，为城市规划、农业监测和气候研究提供了强大工具。

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。

比利时蒙斯大学和美国南加州大学联合开发了Social-MAE，这是一个能够同时理解人脸表情和声音情感的AI系统。该系统通过分析8个连续视频帧和音频特征，在VoxCeleb2大型社交数据集上进行自监督学习，在情感识别、笑声检测和性格分析三项任务中均达到了业界最佳水平，为智能教育、医疗诊断、人机交互等领域开辟了新的应用前景。