这项研究由人民大学与中科院联合团队开发的STAR-R1，通过创新的强化学习方法显著提升了AI的空间变换推理能力。与传统监督学习不同，STAR-R1采用细粒度奖励机制让AI学会像人类一样思考，在物体属性变化识别任务中取得了61.4%的准确率，远超GPT-4o等顶级模型。研究发现AI在训练中展现出人类般行为模式：面对简单场景快速判断，遇到复杂视角变化则全面比较所有物体。这一突破不仅在所有11个评估指标上表现最佳，尤其在跨视角场景中比传统方法高出23%，为AI空间认知发展提供了新方向。

POSTECH研究团队开发出VideoFrom3D框架，能够仅凭粗糙3D模型、摄像机轨迹和参考图片生成高质量场景视频。该方法巧妙结合图像和视频扩散模型优势，通过稀疏锚点生成和几何引导插值两个模块，实现了传统3D制作流程的革命性简化。实验证明该方法在多种复杂场景下表现优异，为3D内容创作提供了更高效的解决方案。

我们为何想跟ChatGPT交谈？何为第五范式？近二十位行业领袖共话前沿科技未来。

复旦和腾讯联合开发的UnifiedReward-Think是全球首个具备链式思维推理能力的统一多模态奖励模型。该系统能像专业评委一样进行多维度深度分析，在图像和视频评估任务中全面超越现有方法，准确率提升5-25%。更重要的是，即使不展示推理过程，其内化的推理能力也能显著提升直接判断的准确性，为AI评估领域带来革命性突破。

「If you build it, ‘they’ will come.」

「If you build it, ‘they’ will come.」

现在的AI已经有可能超越人类，INTUITOR系统让AI获得自我评估能力

服务器，我们将它视为现代数据中心的基石，无论是当下热门的AI/ML/DL还是区块链等，都与计算紧密相连。

清华大学等机构组织的MARS2多模态推理挑战赛历时两个多月，76支知名团队参与，通过三个赛道全面考察AI在真实场景视觉定位、空间感知问答和广告视频推理等复杂任务上的能力，结果显示即使最先进AI模型表现仍不理想，为推动人工智能向真正智能化发展提供了重要基准和研究方向。

ByteDance研究团队提出ReTool框架，通过强化学习让大型语言模型学会在数学推理中战略性使用代码工具。该方法在AIME数学竞赛中达到67%准确率，比传统文本推理方法提升27个百分点，训练效率提高近3倍，展现了工具增强推理的巨大潜力。

张小龙将微信称作广场，但是很多时候，大家只想看舞台上的表演。而张一鸣的抖音就是那个舞台。

ByteDance研究团队开发了PaSa智能学术搜索系统，通过双AI代理架构解决传统搜索局限性。系统能自动阅读论文、追踪引用网络，实现深度文献挖掘。在真实测试中，PaSa相比现有最佳方法在相关论文发现率上提升近40%。该系统已开源，为全球学术研究提供高效文献调研工具。

香港中文大学团队发现AI推理过程中存在高达80%的冗余步骤。通过创新的"步骤熵"方法，他们能够识别并删除这些多余的推理步骤，在保持准确性的同时实现35-57%的效率提升。研究开发了两阶段训练策略，让AI学会自动生成压缩的思考链。这项突破为AI系统的高效部署提供了新途径，有望显著降低AI服务的计算成本和响应时间。

MIT研究团队发现了一个颠覆性的AI训练方法：那些通常被丢弃的模糊、失真的"垃圾"图片，竟然能够训练出比传统方法更优秀的AI模型。他们开发的Ambient Diffusion Omni框架通过智能识别何时使用何种质量的数据，不仅在ImageNet等权威测试中创造新纪录，还为解决AI发展的数据瓶颈问题开辟了全新道路。

清华大学团队开发的RoboScape是首个真正懂"物理直觉"的机器人世界模型。通过创新的双分支架构和关键点学习机制，它能够生成既视觉逼真又符合物理定律的机器人操作视频，在多项评估中显著超越现有方法，为机器人智能化发展提供了重要技术突破。

4月21日，在上海市政府合作交流办的指导下，拼多多创新扶贫助农模式“多多农园”，首站落户云南保山。通过“多多农园”，拼多多将实现消费端“最后一公里”和原产地“最初一公里”直连，探索农业产业新模式，让农户成为全产业链的利益主体。

清华大学团队发布URSA系统，这是首个针对多模态数学推理的过程奖励模型。该系统通过创新的三阶段训练框架，不仅能解决复杂的图文结合数学问题，更重要的是能提供完全可验证的推理过程。URSA在六个标准测试中全面超越同规模开源模型，甚至在平均性能上超过GPT-4o达2.7个百分点，代表了AI推理可解释性的重要突破。

腾讯AI实验室发现先进AI模型存在"思维不足"问题：在解决困难问题时频繁跳跃思路而非深入思考，导致错误答案消耗225%更多资源。研究团队提出TIP方法，通过惩罚思维切换来训练AI专注力，显著提升推理效率和准确性。这项发现改变了我们对AI推理过程的认知，强调深度思考比广度探索更重要。

2022年下半年开始，“AIGC”接棒“元宇宙”成为全球关注的焦点和热议话题，各行各业都在积极探寻相关领域在AIGC助力下的崭新发展方向。

这项研究展示了如何通过在经济问题上进行后训练，让大语言模型像经济学家一样思考，从而实现战略性泛化能力。研究团队开发了名为Recon的7B参数开源模型，通过在2,100个高质量经济推理问题上进行监督微调和强化学习，不仅提升了模型在经济基准测试上的表现，更重要的是让模型在从未直接训练过的多智能体博弈中展现出合理的战略行为。结果表明，领域对齐的后训练可以作为智能体对齐的可扩展路径，通过结构化推理问题培养出更广泛适用的理性决策能力。