哈佛大学团队通过对1200名参与者的三年研究发现，数字媒体正在重塑人类记忆机制，导致负面信息记忆持久度比正面信息高40%。研究揭示了不同年龄群体的记忆模式差异，以及数字环境如何通过影响睡眠进一步干扰记忆整理过程，并提出了包括主动遗忘、正面记忆增强、信息摄入管理等实用的记忆重塑策略。

最好的电子邮件，应该是不让人心烦的电子邮件。

香港中文大学（深圳）团队发布ShareGPT-4o-Image数据集，包含91000个高质量样本，成功训练出开源图像生成模型Janus-4o。该模型不仅在文字生成图像任务上超越前代，更首次实现了图像编辑功能，仅用6小时训练就达到先进水平，为AI图像生成技术的民主化开辟了新路径。

服务器，我们将它视为现代数据中心的基石，无论是当下热门的AI/ML/DL还是区块链等，都与计算紧密相连。

单核10MB L3？基频 4GHz？32TB内存？各种数据中心CPU升级需求都能在这里找到解决方案。

单核10MB L3？基频 4GHz？32TB内存？各种数据中心CPU升级需求都能在这里找到解决方案。

昨天晚上，在美国波士顿举行的一年一度THINK大会上，IBM宣布了有关一年前发布的watsonx 平台的几项新的更新，以及即将推出的新的数据与自动化功能，旨在使人工智能（AI）对企业而言更具开放性、成本效益与灵活性。

北京人工智能研究院团队开发的DiagNote模型通过模仿人类做笔记的习惯，解决了AI在多轮视觉对话中容易"失忆"的问题。该研究构建了专门的MMDiag数据集，设计了双模块协作的AI架构，让机器学会像人类一样通过标记重点区域来保持专注力，为更自然的人机视觉交流奠定了基础。

阿里巴巴Qwen团队发布Qwen2.5-1M系列AI模型，实现百万字符长文本处理能力突破。该系列包含开源的7B和14B模型以及API版本Qwen2.5-Turbo，通过创新的训练策略和推理优化技术，让AI能够同时理解相当于四本《哈利·波特》篇幅的内容，并在多项长文本基准测试中超越GPT-4表现，为处理复杂文档分析、大型代码库理解等实际应用提供了强大支持。

Google Research与以色列理工学院联合研究发现，大型语言模型存在显著的"隐性知识"现象——AI内部掌握的知识远超其外部表现，平均差距达40%。研究团队通过测试三个主流AI模型的1700个事实性问题，发现AI在内部完全知道答案但1000次尝试都不会说出的极端情况。这一发现揭示了AI语言生成机制的根本局限，为改进AI表现和理解智能系统认知机制提供了新视角。

Nebius AI研究团队成功开发出基于强化学习的软件工程智能体，能够像经验丰富的程序员一样独立调试代码。该智能体基于Qwen2.5-72B模型训练，通过两阶段策略将SWE-bench Verified基准测试成功率从20%提升至39%，可处理长达13万令牌的复杂交互，在真实GitHub项目中进行多轮调试。研究证明开源模型通过精心设计的强化学习训练策略，无需依赖昂贵专有模型即可达到世界领先性能，为AI编程助手的实用化和普及奠定了重要技术基础。

Meta FAIR实验室研究团队发现推理型AI模型虽然逻辑能力强，但在事实表达上容易产生幻觉。他们创新性地设计了包含准确性、详细性、相关性三维评价的训练体系，通过在线强化学习让AI模型既会深度思考又能准确表达事实。实验显示新方法将事实准确率提升23个百分点，同时增加23%的信息详细度，为构建更可信赖的AI系统提供了切实可行的解决方案。

阿里巴巴集团和同义实验室的研究团队推出了WebDancer，这是一种能够在网络上自主搜索信息并回答复杂问题的智能体系统。研究团队提出了一个四阶段构建框架，包括数据合成、轨迹采样、监督微调和强化学习。他们创新性地开发了CRAWLQA和E2HQA两种方法来生成高质量训练数据，并采用ReAct框架使智能体能够交替进行思考和行动。实验结果表明，WebDancer在GAIA和WebWalkerQA等基准测试中表现优异，甚至在某些情况下超越了GPT-4o，证明了该方法在构建自主信息搜索智能体方面的有效性。

伦敦大学学院研究团队提出FaithfulSAE方法，通过让AI模型用自生成数据训练稀疏自编码器，解决传统方法中的"虚假特征"问题。实验证明该方法在多个模型上显著提高了特征提取的稳定性和可靠性，为AI可解释性研究提供了新思路。

德国比勒费尔德大学研究团队开发出能通过照片预测剩余寿命的AI系统，平均误差仅4.79年，准确度超越传统生物标记物检测。该技术基于DINOv2视觉模型和不确定性量化方法，在5672张高质量照片上训练。虽然展现了图像中隐藏医学信息的巨大潜力，但研究团队强调目前不适合临床应用，需要解决数据偏差、伦理考量等挑战。这项研究为非侵入性健康筛查开辟了新方向。

南京大学团队开发出STAR视频超分辨率技术，通过借用文本生成视频模型的智慧，配合局部信息增强模块和动态频率损失机制，成功解决了现实世界视频修复中的画质模糊和时间不连贯问题。该技术在多项测试中表现优异，特别是在处理人脸和文字等细节内容时效果显著，为珍贵但画质不佳的视频修复提供了全新解决方案。

耶鲁大学研究团队开发出ANCHOR方法，通过"分支点扩展"策略解决AI桌面操作训练数据稀缺问题。该方法从高质量种子演示出发，在关键界面变化点创造任务变种，生成平均17.24步的长序列轨迹，配合多层质量控制确保数据可靠性。实验显示在两个主流测试平台上模型性能显著提升，为实用化桌面AI助手奠定基础。

阿里巴巴通义实验室开发的Wan-S2V系统实现了音频驱动电影级视频生成的重大突破。该140亿参数模型能仅凭音频创造复杂场景视频，包括多角色互动、动态摄像机运动等，远超传统"说话头像"技术。通过创新的文本-音频协同控制和长视频连贯性技术，在多项评估中显著优于现有竞品，为视频创作民主化开辟了新路径。

上海AI实验室联合清华等机构发现，通过"测试时计算扩展"策略，小型AI模型可以战胜参数规模大135倍的巨型模型。10亿参数的模型在数学推理任务上超越了4050亿参数的模型，甚至5亿参数的迷你模型都能胜过GPT-4o。研究揭示了AI发展新方向：聪明的推理策略比模型规模更重要，为资源有限的机构提供了"以智取胜"的可能性。

复旦大学团队开发出Ask-to-Clarify机器人框架，让机器人首次具备主动询问澄清模糊指令的能力。该系统采用双组件架构和两阶段训练策略，在8项真实任务中全面超越现有技术，成功率达90-98%。这一突破将机器人从被动执行者转变为主动合作伙伴，为家庭服务机器人的实用化扫清重要障碍。