传统测试模式普遍存在三大痛点：高度依赖人工操作、维护成本居高不下以及技术要求门槛较高。这些因素仍在制约着大多数企业的测试效率提升。随着AI测试技术的不断发展，软件质量保障体系正在重构。

英特尔亮相第二十四届中国零售业博览会（China Shop 2024）。会上，英特尔发布了《零售门店数字化赋能专项报告（2024年）》。

想象一下这个场景：一位学生拿到了一套没有标准答案的数学题。正常情况下，没有答案怎么知道自己做得对不对呢？大多数学生会卡在这一步。但如果这位学生非常聪明，他会想出一个办法——先用不同的解题思路做几遍，然后看哪个答案出现的次数最多，那个答案很可能就是正确的。接着，他会思考为什么其他方法得到了不同的答案，从而改进自己的解题技巧。这就是清华大学研究团队开发的"测试时强化学习"（TTRL）的核心思想。

你是否曾经因为衣服色彩搭配不协调而尴尬？或者在医学诊断试纸上辨别微妙的颜色变化时感到困惑？色彩在我们的日常生活中扮演着至关重要的角色，从科学发现到医疗保健，从购物到艺术欣赏，无处不在。而人工智能，特别是视觉语言模型(VLMs)，正在迅速融入我们的生活，但它们真的能像人类一样理解和利用色彩信息吗？

2021年12月19日，在北京 · 北苑大酒店举办的“2021中关村数字经济产业联盟会员代表大会暨华为云北京城市峰会”的领跑汽车智能时代高峰论坛上，华为云中国区副总裁，云原生企业业务部部长潘捷发表演讲。

纽约大学阿布扎比分校研究团队提出了一种创新的两阶段训练方法，解决了AI领域的数据稀缺问题。他们首先让AI模型在简单的"骑士与恶棍"逻辑游戏中"热身"，学习通用推理技能，然后再用少量特定领域数据进行强化学习。实验表明，这种方法不仅大幅提升了模型在数学、编程和多学科理解任务上的表现，还显著提高了样本效率，使用仅100个样本就能达到传统方法需要数千样本才能实现的效果。更重要的是，"热身"过的模型在适应特定领域后仍能保持跨领域的泛化能力，为资源受限环境下开发强大AI系统提供了实用策略。

加利福尼亚大学和萨里大学研究团队开发了一种创新的AI系统，能够仅通过简单的手绘素描就在复杂照片中精确识别关键点。这项技术突破了传统机器学习需要大量同类数据的限制，实现了真正的跨模态学习。系统在动物关键点识别任务中达到了39%的准确率，超越现有方法约5个百分点，并且在真实手绘素描测试中表现稳定。该技术有望在生物学研究、医疗诊断、工业检测等多个领域找到广泛应用。

想象一下，你正在参加一场智力测试。主考官给你看了一张图片，并要求你找出图案的规律，预测下一个图形会是什么样子。对我们人类来说，这种视觉推理任务虽然有难度，但通常还算可行——我们能够观察图案变化、识别规律，然后做出合理推测。

ByteDance等机构联合发布的MM-BrowseComp是首个专门评估AI多模态网页浏览能力的测试基准。该研究包含224道需要综合处理文字、图像、视频信息的题目，测试结果显示即使是最先进的OpenAI o3模型也只达到29%的准确率，揭示了当前AI在多模态信息理解方面的技术短板，为未来AI发展指明了重要方向。

Google研究团队推出Atlas，一种革命性的AI记忆优化模型，解决传统Transformer架构在处理长文本时的计算复杂度问题。Atlas通过三大创新：超线性容量的记忆模块、基于上下文而非单词的记忆优化、及使用Muon优化器的高效记忆管理，实现了在超长文本(10M)处理中保持80%以上的准确率。研究还提出DeepTransformers架构，作为传统Transformer的严格泛化版本，在语言建模和常识推理任务中展现出色性能。

在赋能行业的平台的背后，EasyDL依托于NVIDIA的Tesla GPU深度学习平台，搭建了用于深度学习模型训练（Training）和服务（Inference）阶段的GPU集群。

沈徽在以“智能视觉，看懂世界”为题的主题演讲中表示，如今人工智能技术已经快速渗透到各行各业，并且通过技术提升驱动生产力升级，不断为产业带来变革。

英特尔亮相第二十四届中国零售业博览会（China Shop 2024）。会上，英特尔发布了《零售门店数字化赋能专项报告（2024年）》。

7月22日，第三届华为云AI院长峰会在贵安召开。多位中国工程院院士、中国科学院院士，以及来自国内近30所顶尖高校的60余名院长、教授、专家汇聚一堂，共同探讨人工智能发展的新趋势及新挑战，促进人工智能创新思想、技术、产业、应用、人才的集聚和落地。

蚂蚁集团智能凭证安全产品全项通过信通院能力测评，获最高评级。

本研究提出了双头优化（DHO）框架，一种解决视觉-语言模型知识蒸馏中梯度冲突问题的创新方法。通过设计两个独立的预测头分别学习标记数据和教师信号，DHO有效缓解了传统单头方法中的梯度冲突，提升了特征学习质量。实验结果显示，DHO在ImageNet等11个数据集上一致超越基线方法，使用1%标记数据时较现有最佳方法提高了3%的准确率，同时参数量更少。此外，DHO支持推理时通过线性组合双头输出灵活调整模型表现，为半监督学习下的知识蒸馏提供了一种简单高效的解决方案。

Pinecone 推出了 Pinecone Assistant，一种 AI 智能助手构建 API 服务，旨在加速检索增强生成（RAG）应用的开发。该服务集成了向量搜索、模型编排和重排等功能，简化了 RAG 应用的构建过程。Pinecone Assistant 提供了优化的接口、自定义指令和多种文件格式支持，为开发者提供了灵活且高效的 AI 智能助手构建工具。

NVIDIA研究团队揭示了训练AI模型同时掌握数学推理和编程能力的突破性方法。通过精心设计的监督学习和强化学习协同训练，他们发现仅用数学题训练就能显著提升编程能力。研究提出了温度调节、阶段性训练等关键技术，最终的AceReason-Nemotron 1.1模型在多项权威测试中达到业界领先水平，为AI跨领域能力发展提供了新范式。

香港浸会大学团队开发了HumbleBench，这是目前最大的AI幻觉评估基准，包含22,831个测试题，专门评估多模态大语言模型的"认知谦逊"能力。与传统只测试选择正确答案的基准不同，HumbleBench的每个问题都包含"以上都不对"选项，测试AI能否在不确定时诚实承认无知。研究发现即使最先进的AI模型表现也不理想，最好的模型准确率仅73%，在极端测试中甚至接近0%，揭示了当前AI系统"不懂装懂"的严重问题。

马里兰大学研究团队推出DynaGuard，这是首个能理解用户自定义规则的AI守护模型。不同于只能识别预设类别的传统系统，DynaGuard能处理自然语言编写的任何规则，并提供详细解释帮助AI自我纠正。该模型基于40000个场景的DynaBench数据集训练，在传统安全任务和定制规则处理上都表现优异，为AI安全技术开辟了新方向。