在重症监护室中，人工智能将始终关注病患的一举一动。

南洋理工大学研究团队开发了名为Puppeteer的自动化系统，可将静态3D模型转换为完整的动画资产。该系统包含自动骨骼生成、智能皮肤绑定和视频引导动画制作三大核心功能，基于5.94万个高质量样本的大规模数据集训练。相比传统需要数周的手工制作，Puppeteer可在约30分钟内完成整个流程，在多项指标上显著超越现有方法，为3D内容创作的智能化转型提供了重要技术突破。

IDEA研究院等机构联合开发了ToG-3智能推理系统，通过多智能体协作和双重进化机制，让AI能像人类专家团队一样动态思考和学习。该系统在复杂推理任务上表现优异，能用较小模型达到卓越性能，为AI技术的普及应用开辟了新路径，在教育、医疗、商业决策等领域具有广阔应用前景。

揭开训练数据之谜。

UCLA团队首次成功让20亿参数的小型视觉AI模型实现了类似DeepSeek R1的"啊哈时刻"现象。他们通过在未经指令微调的基础模型上直接应用强化学习，让模型学会了自我反思和深度推理，在视觉推理任务上取得了显著突破。研究还发现指令微调可能限制模型的推理能力发展，为AI训练方法提供了新的思路。

在今年云栖大会主论坛上，作为压轴的人形机器人对话——《人形机器人的“图灵时刻”》最受关注，这不仅可以看作是人形机器人创业者们的心路历程，也是半个世纪人形机器人产业发展的阶段性总结。

孙中山大学研究团队开发的RobustSplat技术通过两大创新解决3D高斯飞溅重建中的瞬态物体干扰问题：延迟高斯增长策略优先优化静态结构，避免早期对动态物体过度拟合；尺度级联掩码引导方法先利用低分辨率特征实现可靠初始掩码估计，再过渡到高分辨率监督获得精确预测。实验证明该方法在多个挑战性数据集上明显优于现有技术，为真实场景3D重建提供更高质量、无干扰的结果。

这篇研究综述探讨了大语言模型(LLMs)与知识图谱(KGs)在问答系统中的结合方式。研究者提出新的分类法，根据问答类型和KG角色将方法分为：KG作为背景知识、推理指南或验证器。文章系统性分析了各种复杂问答类型(多文档、多模态、多跳、会话式、可解释和时间问答)的挑战，及其解决方案。尽管LLM与KG结合能有效解决推理能力有限、知识过时和幻觉等问题，但仍面临效率与效果平衡、知识动态更新和公平性等挑战。未来研究应关注开发能高效整合最新知识的框架，以及提升推理、解释和公平性的方法。

ENERVERSE-AC(EVAC)是一种创新的动作条件世界模型，它能根据机器人预测的动作生成未来视觉观察结果，实现真实且可控的机器人仿真。该研究由AgiBot、上海交通大学和香港中文大学的研究团队开发，通过多层动作条件注入机制和射线图编码技术，支持动态多视角图像生成。EVAC不仅作为数据引擎可增强训练数据多样性，还能作为政策评估器模拟环境响应，无需物理机器人即可进行政策测试，显著降低了开发成本。实验结果表明，EVAC生成的仿真与真实世界场景高度一致，为机器人模仿学习提供了高效、经济的解决方案。

蚂蚁集团推出UI-Venus系统，这是一个能够仅通过屏幕截图就理解和操作用户界面的AI模型。该系统采用强化微调技术，在多个基准测试中达到业界最佳水平，其72B版本在界面识别任务上准确率达95.3%，在复杂的安卓操作任务中成功率达65.9%。研究团队还开发了创新的自进化轨迹对齐技术，显著提升了AI在多步骤任务中的规划能力，为智能化人机交互开辟了新途径。

港科大等多院校团队发表的突破性研究，解决了多模态AI训练中的"模态差距"难题。通过精确建模文字和图像信息间的几何关系，开发出ReVision训练方法，让AI主要通过阅读文字就能学会理解图像，将训练成本降低26%，为AI训练提供了更经济高效的新路径。

谷歌DeepMind团队提出STAR方法，通过模仿苏格拉底教学法让AI学会类比推理，解决传统AI无法"举一反三"的问题。实验显示该方法显著提升AI处理新问题的能力，在逻辑推理准确率从40%提升至75%以上。这项突破为创造真正智能的AI系统指明方向，未来将在教育、医疗、创意设计等领域产生重要应用价值。

韩国KAIST团队开发出革命性的"Frame Guidance"技术，这是首个无需训练即可精确控制AI视频生成的通用方法。该技术通过创新的潜在切片和视频潜在优化策略，将内存使用量减少60倍，让普通用户也能精确控制视频中任意帧的内容。实验表明，该方法在关键帧引导、风格化生成等任务上全面超越现有技术，为AI视频创作开启了全新可能。

当前,数字经济加速发展,内外部环境深刻变化,航天信息股份有限公司面临前所未有的发展机遇与挑战。

华为第19届全球分析师大会在深圳开幕。

这项由北京大学和清华大学联合完成的研究首次提出时间自奖励语言模型，通过"锚定拒绝"和"未来引导选择"策略解决了AI自学习中的梯度消失问题。该方法让AI既能从过去的低水平样本中学习反面教材，又能向未来的高水平样本学习正面目标，成功维持了清晰的学习对比信号，在多个基准测试中显著优于传统自奖励方法。

Patronus AI发布突破性研究，构建了首个系统性AI代理错误评估体系TRAIL，涵盖148个真实案例和21种错误类型。研究发现即使最先进的AI模型在复杂任务错误识别上准确率仅11%，揭示了当前AI代理系统在长文本处理、推理能力和自我监控方面的重大局限，为构建更可靠的AI系统指明方向。

南开大学团队开发出DepthAnything-AC模型，解决了现有AI距离估算系统在恶劣天气和复杂光照条件下性能下降的问题。通过创新的扰动一致性训练框架和空间距离约束机制，该模型仅用54万张图片就实现了在雨雪、雾霾、夜晚等复杂环境下的稳定距离判断，同时保持正常条件下的优秀性能，为自动驾驶和机器人导航等应用提供了重要技术支撑。

这项由谷歌DeepMind研究团队完成的开创性研究首次系统阐述了AI智能体经济的概念框架。研究提出"沙盒经济"模型，从起源性质和边界渗透性两个维度分析AI智能体经济形态，预测未来将出现自然涌现且高度透水的AI经济网络。研究详细探讨了科学加速、机器人协调、个人助手等应用场景，提出基于拍卖机制的公平资源分配方案和使命经济概念，并深入分析了技术基础设施需求、社区货币应用以及相关风险防范措施。

中科大研究团队针对新兴MCP协议环境开发了首个专业AI评估基准MCP-AgentBench，包含33个服务器188种工具和600道测试题目。研究发现开源模型表现优异，通义千问达到64.7%最高得分超越专有模型，揭示了交互框架对性能的关键影响，为AI工具使用能力评估建立了新标准。