这项由中国香港大学、香港大学、清华大学等多所知名学府联合完成的研究，成功开发出RISE系统，让机器人首次具备了在虚拟环境中"做梦"练习的能力。通过组合式世界模型，机器人能在想象中进行大量安全训练，在动态积木分拣、背包打包、盒子封装三项挑战性任务中的成功率分别提升至85%、85%和95%，相比传统方法有显著突破，为机器人智能化开辟了全新路径。

很多公司正在推出数字化计划，以扩展或构建数字化能力，提高业务效率或者业务收入。随着数字化转型成功案例不断涌现，这个趋势也在逐步增强。

帝国理工学院的研究团队开发了AlphaMed，这是首个仅通过极简规则强化学习就能培养医疗推理能力的AI模型，无需依赖传统的思维链示范数据。通过分析数据信息丰富度和难度分布的影响，研究发现高信息量的医疗问答数据是推理能力的关键驱动因素。AlphaMed在六个医疗问答基准上取得了领先成绩，甚至超越了更大的封闭源模型，同时展现出自发的步骤推理能力，为医疗AI发展提供了更加开放、高效的新路径。

谷歌研究院开发出一种革命性的人工智能技术，通过学习人类眼动轨迹来提升视觉问答能力。该技术像训练侦探一样教会AI关注图像中的关键区域，准确率提升3-10%。研究发表于CVPR 2024，在教育、医疗、无人驾驶等领域具有广阔应用前景，为AI向人类智慧靠近开辟了新路径。

华中科技大学研究团队提出SaM框架，通过动态选择和合并领域专家模型来改进大语言模型的命名实体识别能力。该方法摒弃传统"万能模型"思路，采用专业化分工策略，根据领域相似性和采样评估智能选择专家，然后融合其能力形成针对性强的任务模型。实验显示平均性能提升10%，某些领域达20%提升，同时具备良好的可扩展性和适应性。

Adobe Research团队联合香港中文大学开发了EditVerse，这是首个统一处理图片和视频编辑的AI模型。它采用创新的交错序列设计和四维位置编码，将文本、图片、视频转换为统一表示，实现跨模态知识共享。研究团队创建了23.2万个高质量视频编辑样本的训练数据，并建立了EditVerseBench评测基准。EditVerse在20多种编辑任务上超越现有开源方法，展现出强大的举一反三能力，为多媒体内容创作带来革命性突破。

UC Santa Cruz团队开发的OpenVision 2通过去除文本编码器，将视觉编码器训练简化为纯生成式学习，实现训练时间缩短1.5倍、内存使用减少1.8倍的显著效率提升。研究使用高质量合成数据集和token掩码策略，在保持性能的同时成功训练出10亿参数模型，挑战了CLIP式对比学习的必要性认知。

要理清C-V2X的来龙去脉，高通技术标准高级总监李俨博士近日详细解读了它的技术优势、相关产业进展，以及面向5G时代的演进路线。

本文详细解析2025年笔记本处理器市场格局，涵盖Intel、AMD、高通和苹果四大厂商的最新CPU产品线。苹果M系列芯片凭借出色的性能和续航表现位居榜首，Windows平台推荐高通骽龙X系列处理器。文章深入对比x86与Arm架构差异，分析各品牌处理器的核心数量、线程、时钟频率等关键参数，并详细介绍集成显卡、AI加速器NPU等技术发展，为用户选择合适的笔记本电脑提供全面参考。

香港科技大学团队提出噪声一致性训练（NCT），这是首个专为一步生成器设计的原生控制添加方法。NCT通过在噪声空间进行一致性训练和边界约束，无需重新训练基础模型即可为预训练的一步生成器添加新的控制能力。实验显示该方法在保持生成质量的同时将速度提升50倍，在多种控制任务上超越传统方法，为AI图像生成的实用化提供了重要突破。

这项由阿里巴巴云计算联合浙江大学、南京理工大学开展的研究提出了Repair-R1方法，革命性地改变了自动化程序修复的思路。不同于传统的"先修复后测试"方式，该方法要求AI首先生成诊断性测试用例来理解错误根因，再进行针对性修复。通过强化学习框架同时优化测试生成和代码修复能力，在四个基准数据集上取得显著改进：修复成功率提升2.68%-48.29%，测试生成成功率提升16.38%-53.28%。这种"理解驱动"的修复策略为智能编程助手开辟了新方向。

希腊亚里士多德大学研究团队开发了REGEN系统，通过两阶段神经网络框架实现游戏画面的实时真实化增强。该系统先用EPE方法离线生成高质量样本，再训练轻量级网络模仿效果，在《侠盗猎车手5》上实现了30帧每秒的处理速度，比传统方法快32倍且画面质量相当，为游戏产业和AI训练数据生成提供了实用解决方案。

这是中科院自动化研究所与阿里巴巴合作的突破性研究，首次提出AI助手的"预操作检查"机制。他们开发的GUI-Critic-R1模型能在AI助手执行手机操作前进行错误预防，成功率提升23%，效率显著改善，为智能设备自动化操作的安全性和可靠性提供了重要保障。

上海交通大学团队通过引入"视觉可编程性"概念，成功让AI学会根据图表特征自主选择代码分析或直接观察的推理方式。该自适应框架在四个基准数据集上平均准确率达62.8%，显著超越固定策略方法。研究采用双重奖励机制训练，确保AI既追求准确性又具备策略选择智慧，为构建更灵活可靠的人工智能系统提供了新思路。

Rice大学研究团队发布的这篇综述论文系统分析了大型语言模型推理效率问题。研究发现AI在回答简单问题时经常"过度思考"，生成冗长推理过程，增加成本和延迟。论文将解决方案分为三类：优化训练方法、动态调整推理过程、改进用户提示词，为开发更高效的AI推理系统提供了全面指导。

这项研究分析了82,845个真实开发者与AI助手的编程对话，发现AI回复比开发者提问长14倍，68%为多轮对话。Web开发和机器学习是最热门话题。AI代码质量存在问题：Python代码83.4%命名不规范，JavaScript代码75.3%有未定义变量。研究为改进AI编程助手提供了重要参考。

元宇宙，和AI是过去三年最火的技术名词，在汉诺威工博会上，我看到它们组合在一起。

区块链服务网络（BSN）由国家信息中心牵头研发和顶层设计，并协同中国移动通信集团有限公司、中国银联股份有限公司、北京红枣科技有限公司共同发起建设的区块链底层公共基础设施。

VerifyBench是首个专门评估大语言模型基于参考的奖励系统的基准测试，填补了现有奖励评估基准的关键空白。由浙江大学、美团等机构联合开发，包含VerifyBench和更具挑战性的VerifyBench-Hard两个数据集。研究发现虽然大型模型在标准案例上表现出色，但在复杂案例上仍有显著改进空间。该基准测试通过精心构建的数据集和评估框架，为提升大模型推理能力提供了标准化评估工具，对强化学习训练具有重要意义。

这项由Sierra公司联合多伦多大学开展的研究首次揭示了AI对话系统在双控制环境下的真实挑战。研究团队发现，当AI需要指导用户协作操作时，性能会显著下降约20%。他们开发的τ?-bench评估平台通过电信技术支持场景，系统性地测试了AI的协作指导能力，并通过程序化任务生成和环境约束的用户模拟大幅提升了评估可靠性，为未来人机协作AI系统的发展指明方向。