麻省大学团队开发PatchInstruct方法，通过"补丁分解"技术让大型语言模型无需重新训练即可准确预测时间序列数据。该方法在天气和交通预测中表现优异，短期预测误差降低85%，速度提升100-500倍，为实时预测应用提供了轻量级、高效的解决方案，展现了通用AI适应专门任务的新可能。

随着IT成为企业运营的核心支撑，IT服务台的重要性日益凸显。现代ITSM平台已从简单的帮助台发展为复杂的管理系统，集成了工单跟踪、资产管理、性能监控等功能。这些平台的核心是工单门户，确保请求得到及时处理。许多产品强调自助服务功能和AI集成，通过智能路由、预测分析和生成式AI来提高问题解决效率。本文详细介绍了21款主流ITSM工具，帮助企业选择适合的解决方案。

Google DeepMind最新研究发现，视频生成AI模型Veo 3展现出惊人的零样本学习能力，能够在未经专门训练的情况下完成图像分割、边缘检测、迷宫求解等多种视觉任务。研究团队通过18,384个视频样本验证了这一发现，认为视频模型正朝着通用视觉智能方向发展，可能引发类似大语言模型的行业变革。

清华大学团队利用扩散模型革新自动驾驶3D感知技术，通过生成式建模取代传统判别式方法，让AI系统具备类人想象推理能力。该方法在遮挡区域预测准确率提升15%，并显著改善下游规划任务性能，为自动驾驶向更智能安全方向发展提供重要技术突破。

甩掉分支，对IBM来说，专注是必然的。那么对于Kyndryl而言，拆分的意义又是什么？正式剥离后如何重新启程？市场机会点在哪？围绕这些话题，我问了Kyndryl大中华区“新掌门”郑军五个问题。

除了AI、汽车、手机壳外，今年的CES还有不少值得留意的新点子。

南开大学研究团队创建了InterSyn——首个大规模多模态对话数据集，包含180万单轮和5万多轮样本，覆盖3500个话题。通过创新的SEIR迭代优化方法，显著提升了AI生成文图结合内容的质量。同时开发的SynJudge评价工具能从四个维度评估文图协调性，与人类判断偏差仅5%。实验证明该方法在文图协调性上提升52.1%，为构建更智能的多模态AI系统奠定了基础。

清华大学与英伟达合作提出DiffusionNFT，一种革命性的AI图像生成训练方法。该方法通过对比正负样本进行学习，避免了复杂的概率计算，训练效率比传统方法提升25倍。研究团队在多项测试中验证了其优越性，不仅大幅提升了图像质量和文字渲染能力，还实现了无需分类器引导的高效训练，为AI图像生成技术的普及和应用奠定了重要基础。

华中科技大学团队开发了mmMamba框架，通过创新的知识蒸馏方法将传统二次方复杂度的多模态模型转换为线性复杂度架构。该方法在保持相当性能的同时，实现了20.6倍速度提升和75.8%内存节省，提供纯线性和混合两种架构变体，为高效多模态AI应用开辟了新路径。

麻省理工学院经济学家Arnaud Costinot与Iván Werning探讨拟议的“机器人税”。

由阿尔托大学和帕多瓦大学联合开展的研究构建了FactCheck平台，首次系统评估大型语言模型在知识图谱事实验证中的表现。研究测试了五个语言模型在三个真实世界数据集上的验证能力，发现开源模型在某些任务上甚至优于商业模型，但所有模型在识别少数错误事实方面表现不佳。检索增强方法能提升准确性但大幅增加计算成本。研究为AI辅助信息验证的实际应用提供了重要参考。

Utrecht大学研究团队开发出让AI具备"换位思考"能力的创新技术，通过情境学习和标签分布学习两种方法，使AI系统能够理解和模拟不同人的思维模式与判断习惯。该技术在LeWiDi-2025国际竞赛中获得第二名，为开发更人性化的AI系统提供了新路径。

面向未来，英特尔正在借助“软件”这一强大的技术力量，联手产业生态合作伙伴软硬兼施，加快在各种架构、各种工作负载下的应用优化和开发速度，推动创新落地。

奔驰的下一件大事：电动汽车。

公有云主机的CPU处理能力到底如何？为什么至顶网云能力评估小组一直提倡采用双核云主机？网络、计算、存储中云主机的系统盘存储能力又是如何？这些问题我们会在本篇文章中再继续为大家进行解读。

斯坦福大学推出 AI4MH 项目，聚焦利用生成式 AI 改革心理健康诊断与治疗，探讨现有体系不足及未来发展。

随着以数据为中心的转型不断深化，英特尔将以集成AI加速的至强可扩展平台为基石，提供全面的XPU芯片平台，携手产业生态，赋能“智者更强”，以改变世界的技术造福个人、企业和社会。

上海交通大学联合多家机构开发的DeepRare系统在罕见病诊断领域取得重大突破，通过多智能体架构整合症状、基因和文献数据，实现57.18%首选诊断准确率，对1013种疾病达100%准确率。系统提供透明推理过程，95.4%获专家认可，已部署为Web应用供临床使用。

Katanemo Labs公司研究团队开发了Arch-Router，一个15亿参数的AI路由器，能根据用户偏好智能选择最合适的AI模型。该系统采用"领域-动作"分类框架，在多项测试中超越GPT-4等大型模型7.71%，响应速度快28倍。研究证明了专业化小模型在特定任务上可超越通用大模型，为AI行业发展指出新方向。

生成式AI的飞速发展使得企业难以有效地实施和衡量这项技术，同时防范偏见和风险。