这项研究展示了一个基于ModernBERT架构的prompt injection检测模型，通过精心构建的多样化数据集训练，在内部测试中达到98.7%准确率和98.0% F1分数，在公开基准测试中平均F1分数达93.8%，显著超越现有最强基线系统。该模型推理速度仅0.02秒，具备实时检测能力，为AI系统安全防护提供了新的解决方案。

清华大学团队开发的ASM-UNet系统通过创新的自适应扫描机制，首次实现了医疗影像精细结构的智能识别。该系统结合群体共性和个体差异的双重评分策略，在胆管系统等微小复杂结构分割上取得突破性进展。团队还构建了BTMS数据集，为精细粒度医疗影像分割提供标准测试平台，推动精准医疗发展。

2025 年 7 月 26 日，上海世博展览馆迎来一场聚焦 "人工智能的数学边界与基础重构" 的高端论坛。

腾讯和深圳大学联合开发的多视角语言理解技术取得重大突破，通过创新的训练方法让人工智能具备接近人类水平的语言理解能力。系统能准确识别讽刺、情感变化等复杂语言现象，在多项测试中表现优异，已在客服、教育、医疗等领域开始应用，未来有望广泛改善人机交互体验。

AIGC淘金人。

哈佛大学研究团队通过创新的多智能体强化学习方法，让AI在战略游戏中学会复杂推理。研究发现AI通过游戏竞争能发展出类人思维能力，在逻辑推理、创造性解决问题等方面表现显著提升。这项突破性成果为未来AI在医疗、教育、城市管理等领域的应用奠定基础，展现了通过模拟人类学习过程培养真正智能AI的新路径。

清华大学团队开发了Sculptor认知管理框架，解决AI处理长文本时的"主动干扰"问题。通过信息分解、动态隐藏、智能搜索等工具，让AI学会主动管理工作记忆，像人类一样筛选重要信息。实验显示在复杂推理任务中性能显著提升，为AI认知智能发展开辟新方向。

香港中文大学团队开发出让AI学会矢量图形编程的创新方法，通过强化学习和跨模态奖励机制，成功将开源模型的绘图能力提升到商业级水平。研究建立了SGP-GenBench评估体系，发现AI不仅学会精确绘图，还发展出分层构建、创意补充等智能行为模式，为AI辅助设计开辟新路径。

这项由德国慕尼黑大学等机构联合完成的研究提出了FedNano框架，创新性地解决了多模态大语言模型在联邦学习中的部署难题。通过将模型拆分为服务器端核心和客户端轻量级NanoEdge模块，结合Fisher合并技术处理数据异质性，实现了95%的存储减少和99%的通信优化，同时保持了优异性能，为AI技术的普及化应用开辟了新路径。

阿里巴巴联合香港科技大学和浙江大学开发的ThinkSound系统，通过引入思维链推理让AI学会像专业音效师一样思考和创作。该系统采用三步式交互流程，支持基础音景生成、物体定制和语言编辑，在多项评测中表现优异，有望降低音效制作门槛并提升创作效率。

这项由浙江大学周晓巍教授团队联合牛津大学、蚂蚁集团等机构开发的SpatialTrackerV2系统，实现了仅用普通摄像头就能精确追踪视频中任意点的三维运动轨迹。通过创新的统一框架和大规模数据训练，该技术在权威测试中相比前代方法准确率提升50%以上，运行速度快50倍，为机器人、自动驾驶、VR等领域提供了突破性的技术基础。

中山大学研究团队开发了SWE-Factory自动化系统，通过四个AI助手协作完成GitHub问题解决环境构建。系统利用程序退出码实现自动评分，解决了传统手工方法费时费力的问题。实验显示能以低成本自动构建数百个有效测试实例，为AI软件工程训练提供大规模高质量数据，有望推动编程AI工具的快速发展。

昆仑公司Skywork AI团队开发的Skywork R1V模型，成功将文本推理能力扩展到视觉领域。该模型仅用380亿参数就实现了与大型闭源模型相媲美的多模态推理性能，在MMMU测试中达到69.0分，在MathVista获得67.5分，同时保持了优秀的文本推理能力。研究团队采用高效的多模态迁移、混合优化框架和自适应推理链蒸馏三项核心技术，成功实现了视觉理解与逻辑推理的完美结合，并将所有代码和权重完全开源。

普渡大学研究团队首次提出AI模型免疫技术，通过条件数理论让模型能够抵抗恶意训练。该方法在保持正常功能的同时，显著增加恶意微调的难度，实验显示免疫效果可达40倍以上。这项突破性研究为AI安全提供了"预防胜于治疗"的新思路，开创了模型免疫这一全新技术方向。

南洋理工大学研究团队开发的NVG技术革新了AI图像生成方式，让AI学会像画家一样分层创作。该技术将图像分解为9个粒度层次，从整体构图到精细细节逐步生成，不仅提高了图像质量，还提供了前所未有的结构控制能力。在多项评测中NVG均优于现有方法，仅需9步即可生成高质量图像，为数字艺术创作和AI可控生成开辟了新路径。

华为轮值董事长徐直军在会上做了题为《共成长 同发展》的主题演讲。发言全文共9000余字，主要分为两部分。

KTH皇家理工学院研究团队通过收集6万个AI智能体运行轨迹，首次系统性地揭示了当前AI评估方法中存在的严重随机性问题。研究发现，即使在确定性设置下，同一智能体的表现仍可能波动2-6个百分点，许多声称的技术"改进"可能只是评估噪音。团队提出了基于统计功效分析的严格评估框架，为建立可靠的AI性能评估体系提供了科学指导。

乔治亚理工学院联合Adobe Research开发的OnGoal系统，通过智能目标追踪和可视化反馈，解决了用户与AI长对话时目标混乱、沟通低效的问题。20人实验证明，该系统让用户完成任务更快、压力更小，还能学会更有效的AI沟通策略，为未来人机协作指明了透明化、个性化的发展方向。

北卡罗来纳大学教堂山分校等机构的研究团队开发出SKILLRL框架，让AI智能体首次具备了类似人类的经验学习能力。该系统能够从成功和失败的经验中提炼可复用技能，建立分层技能库，并在训练过程中实现自我进化。实验显示，SKILLRL在复杂任务中的成功率比传统方法提升超过15%，同时大幅减少了计算资源消耗，为构建更智能的AI系统开辟了新路径。

慕尼黑工业大学研究团队首次系统性探讨了AI系统中隐私保护与解释性之间的关系，发现两者并非完全对立。通过对三种差分隐私方法和四种解释技术的大规模实验，研究证明在特定条件下适度隐私保护可提升解释质量，并提出了实用的平衡策略和"甜蜜点"配置方案。