新加坡国立大学ShowLab团队提出FAR模型，通过"长短期上下文建模"和多级缓存系统，解决了AI视频生成中的长期记忆问题。该模型能生成长达300帧的连贯视频，在多个基准测试中达到最优性能，为AI世界模拟器的发展奠定重要基础。

剑桥大学和伦敦大学学院的研究团队提出了一种名为"视觉规划"的全新范式，让人工智能系统能够完全通过图像序列而非文本进行推理。与传统依赖语言的方法不同，这种方法模仿人类在解决空间问题时直接在"心眼"中想象解决方案的能力。研究团队开发的基于强化学习的视觉规划框架(VPRL)在导航任务上比基于文本的方法平均提高了40%的准确率，证明了非语言推理在特定任务中的优越性，为AI系统开辟了一条更接近人类直觉思维的新路径。

斯特拉斯堡大学团队提出POLAR方法，创新性地将多视角点云配准问题转移到自编码器潜在空间中求解。该方法专门设计了处理各向异性噪声、遮挡和外点的损失函数，并采用多起点优化策略实现全局收敛。在合成和真实数据上的实验表明，POLAR在处理严重退化数据时显著优于现有方法，特别在SMLM显微镜数据上表现出色，为生物医学成像等领域提供了重要技术突破。

香港浸会大学等机构联合开发的AdamMeme框架，通过多AI智能体协作，能够动态生成个性化测试样本来评估AI模型理解网络表情包恶意内容的能力。该框架突破了传统静态评估的局限，针对每个模型的弱点进行深度探测，实验显示即使是GPT-4o等顶级模型也存在认知盲点，为AI安全评估提供了新思路。

InterDigital副总裁兼无线实验室负责人Milind Kulkarni 本人在无线通信领域驻扎超过30年，亲历了从2G到5G的完整演进，举手投足间透着对技术的乐观且严谨，为我们揭示了6G背后真正值得深思的本质、挑战与终极愿景。

耐用品质实战之王，真抗摔真防水。

浙江大学团队开发的SAFEPRED系统通过赋予AI助手"预见未来"的能力，解决了传统安全防护只能被动应对眼前威胁的局限。该系统能预测操作的长期后果，在97.6%的测试案例中成功识别潜在风险，同时将任务效率提升21.4%。研究还推出了可在普通设备运行的轻量版本，为AI安全防护技术的普及应用奠定了基础。

紫金山顶，天空湛蓝、万里无云，而这一行人所代表的国内云计算行业从业者，他们肩头的那朵云，正推动着移动互联网历史的车轮滚滚向前。

KAUST研究团队开发的ROSI技术通过识别并放大AI模型内部的"安全方向"，实现了轻量级的安全增强。该技术不仅能提升已有模型的安全性和抗攻击能力，还能恢复无审查模型的安全功能，且对模型性能影响微乎其微。这种基于可解释性的内在改造方法为AI安全领域开辟了新道路，具有成本低、效果好、易部署等优势。

如果真把小韩当成“水货”，那可大错特错了。

南华理工大学等机构提出3DFlowAction方法，让机器人通过预测物体3D运动轨迹来学习操作技能。该研究创建了包含11万个实例的ManiFlow-110k数据集，构建了能预测三维光流的世界模型，实现了跨机器人平台的技能迁移。在四个复杂操作任务上成功率达70%，无需特定硬件训练即可在不同机器人上部署，为通用机器人操作技术发展开辟新路径。

北航团队开发的GeoSVR技术突破了传统3D重建方法的局限，采用稀疏体素表示和体素不确定性评估，无需依赖初始点云即可实现高精度表面重建。该方法通过智能的深度约束和体素协同优化策略，在DTU等标准数据集上取得了最佳性能，为VR/AR、文物保护、影视制作等领域提供了新的技术选择。

北京大学物理学院团队开发了首个专门评估AI大语言模型物理推理能力的基准测试PHYBench，包含500道原创物理题目。测试发现即使最先进的AI模型准确率也仅有36.9%，远低于人类专家的61.9%，揭示了AI在复杂物理推理中的显著局限性。

Allen Institute for AI推出首个能实时追溯大语言模型输出到万亿训练数据来源的系统OLMOTRACE。该系统通过创新的并行算法，可在几秒内找到AI回答中与训练数据完全匹配的文本片段，为AI行为分析开创了新范式。支持事实核查、创意溯源等应用，已在AI2 Playground开放使用。

这项研究开发了首个轻量级物理推理评估框架，测试四种主流视觉语言模型在抛射运动、碰撞动力学、力学和流体动力学四个领域的表现。结果显示中等规模的Qwen2.5-VL-7B意外击败最大模型获得最高分0.815，揭示了当前AI模型更擅长公式应用而非真正物理理解的局限性。研究为科学推理评估提供了可复制的工具，并指出概念性错误是主要问题，为未来AI发展指明方向。

这项由斯坦福大学等多所知名研究机构联合开展的研究，首次为农业人工智能建立了全面的评估标准AgroBench。该测试集涵盖疾病识别、害虫识别、杂草识别等七个农业核心任务，包含4342个专家标注的问答对，测试结果显示AI在农业管理建议方面表现出色，但在精确视觉识别任务上仍需改进，为农业AI的未来发展指明了方向。

阿里巴巴通义实验室推出WebShaper系统，通过创新的形式化驱动方法让AI具备人类级别的信息搜索推理能力。该系统在权威测试中取得优异成绩，WebShaper-72B模型在GAIA测试中获得60.19分，超越众多开源系统。其核心创新在于建立数学化的任务表示框架和智能扩展器，系统化生成高质量训练数据，有望显著改变未来的信息搜索体验。

SpeakLeash基金会联合波兰多所高校开发了专门针对波兰语的AI安全分类器Bielik Guard，通过1500多名志愿者标注6885个文本样本，训练出两个高效模型。该系统在真实用户测试中达到77.65%精确率和0.63%误报率，显著优于现有解决方案，已开源部署并支持持续社区反馈改进。

Hugging Face推出3D Arena平台，通过123,243次用户投票建立首个大规模3D模型人类偏好评估体系。研究发现用户更偏爱视觉冲击力强的高斯溅射模型和带纹理模型，揭示了审美直觉与技术实用性间的差异，为AI开发提供重要参考。

孙中山大学研究团队开发的RobustSplat技术通过两大创新解决3D高斯飞溅重建中的瞬态物体干扰问题：延迟高斯增长策略优先优化静态结构，避免早期对动态物体过度拟合；尺度级联掩码引导方法先利用低分辨率特征实现可靠初始掩码估计，再过渡到高分辨率监督获得精确预测。实验证明该方法在多个挑战性数据集上明显优于现有技术，为真实场景3D重建提供更高质量、无干扰的结果。