MoDoMoDo研究提出了一种创新的多领域数据混合框架，用于多模态大语言模型的强化学习。研究团队从布朗大学、Salesforce等机构组成，通过整合五个不同领域的视觉-语言数据集并设计可验证奖励函数，成功开发了预测最优数据混合策略的方法。实验表明，优化后的数据混合比传统均匀混合策略提高了5.24%的跨领域性能，比基线模型总体提升20.74%。这一方法解决了多模态任务的异质性挑战，为多模态AI训练提供了新思路。

高通对中国企业的赋能远不止骁龙移动平台，不止手机芯片，不止OEM厂商，而且，高通对中国移动通信领域之外企业的投资更具前瞻性。

2月25日，UCloud优刻得互联网事业部研发总监裴志伟进行了主题为《疫情之下，如何平稳从“线下”过渡到“线上？”》的在线直播课程，讲述了如何快速构建高质量在线课堂，本文根据其课程进行整理，希望对大家有所帮助。

以减少屏幕使用时间为目标，我向专家问到了一些具体办法。

上海AI实验室开发的CompassVerifier是一个轻量级但高精度的AI答案验证系统，能够准确判断AI模型回答的正确性。该系统通过构建包含132万样本的VerifierBench评测数据集，采用错误驱动增强等创新技术，在验证准确率上显著超越GPT-4等大型模型。CompassVerifier不仅可用于AI性能评测，还能作为强化学习的奖励模型，有效提升AI训练效率和效果。

Mellanox网络以技术创新为驱动，赋能全球最快的前10台的超级计算机之6台， 包括美国最快、中国最快和日本最快超级计算机。Mellanox HDR InfiniBand网络已被广泛使用与世界各国的多台超级计算机中，包括微软Azure公有云的HPC云中。

测评第三方独立机构，DXOMARK的裂变之路。

纷享销客作为连接型CRM的开创者，期望在未来的路上，携手所有的伙伴，一起共同去引领全新的未来。心存理想，饱含激情，为梦想而奋斗，为中国的企业的数字化未来发展而助力，十年磨一剑，引领正逢时！

独立研究者Rishiraj Acharya提出了门控关联记忆网络（GAM），这是一种全新的AI架构，通过分工协作的方式解决了传统Transformer处理长文本时计算量呈二次方增长的问题。GAM采用局部卷积处理语法结构和全局关联记忆处理语义信息，配合智能门控机制动态融合，实现了线性复杂度的同时保持了更好的理解准确性，在多个数据集上都显著优于现有方法。

该研究提出了SRPO框架，一种两阶段反思感知强化学习方法，用于增强多模态大语言模型的推理能力。通过构建高质量的反思数据集进行监督微调，并设计专门的奖励机制鼓励有效反思，SRPO成功解决了现有模型在复杂推理任务中缺乏自我反思和自我纠错能力的问题。实验表明，SRPO在MathVista等多个基准测试上显著优于现有最先进模型，证明了反思导向训练可以有效扩展模型的推理能力边界。

首尔国立大学研究团队开发了CHARTCAP数据集，包含56.5万个高质量图表-描述对，通过四阶段流水线和循环验证方法解决了AI图表理解中的幻觉和信息贫乏问题。研究还提出了视觉一致性得分评估方法，该方法通过重构图表来验证描述质量。实验显示，经CHARTCAP训练的AI模型在图表理解能力上首次超越人类专家标注，为AI在专业领域的应用开辟新路径。

在“十四五”规划的号召下,中国数字化进程全面提速,产业数字化转型迈入了新阶段。

世界智能大会始终遵循习近平总书记贺信精神，坚持国际化、高端化路线，“旨在为世界智能科技领域搭建一个交流合作、共赢共享的平台”。

中南大学等机构联合发布TextAtlas5M数据集，包含500万图像-文本对，专门解决AI长文本图像生成难题。该数据集平均文本长度148.82词，远超现有数据集，涵盖广告、学术、教育等真实场景。配套的TextAtlasEval基准测试显示，即使最先进的商业模型也面临显著挑战，为AI图像生成技术指明了新的发展方向。

Meta和华盛顿大学研究团队开发出PrefPalette系统，首次将认知科学的多属性决策理论引入AI偏好预测。该系统通过分析19个属性维度理解用户偏好形成过程，在Reddit 45个社区测试中准确率比GPT-4o提高46.6%。系统不仅能预测用户喜好，还能解释预测原因，为构建透明可解释的个性化AI奠定基础。

在生成式 AI 时代,数据的重要性日益凸显。随着 AI 项目从概念验证走向生产,组织需要更加关注用于训练和推理的数据质量。专家们强调了解数据背景的重要性,以确保 AI 模型使用正确的数据。这突出了知识工程师的重要性 - 他们能够理解数据的上下文,并引导我们找到正确的数据。知识工程在 AI 时代将发挥关键作用。

这项研究对沙特数据与AI管理局开发的ALLaM-34B阿拉伯语大模型进行了全面的用户界面评测。研究团队使用23个测试提示，每个重复5次，收集115个回答样本，并用三个前沿AI模型作为评委进行多维度打分。结果显示ALLaM-34B在代码转换和创意生成方面表现优秀（均4.92分），现代标准阿拉伯语和知识问答能力强劲，安全防护可靠，但在方言处理上存在不均衡，为阿拉伯语AI发展提供了重要参考。

卓越服务至关重要，需要一种新的思维方式，并强调不同的技能、使命和指标——在这些方面，很多IT领导者仍然会感到很棘手。

这项由LMU慕尼黑大学研究团队进行的研究，首次深入探索了代码语言模型如何在内部表示和处理多种编程语言。研究通过分析Llama系列模型的中间层表示和神经元激活模式，发现模型在处理代码翻译任务时会经过"英语思维"的中转，且不同编程语言在模型内部的表示存在显著的共享和差异模式。研究结果不仅揭示了AI理解代码的内部机制，还为设计更高效的多语言代码模型提供了实用见解。

斯坦福大学等国际研究团队通过对比GPT-3.5、GPT-4o等六个主流大语言模型在印地语、波斯语和中文对话中的表现，发现AI在不同语言中的"幻觉"现象存在显著差异。研究显示中文表现最稳定，幻觉现象最少，而印地语和波斯语中AI经常出现答非所问的情况。这一发现揭示了训练数据质量对AI语言能力的决定性影响，为多语言AI公平性发展提供重要参考。