已经举办七年的MWC上海大会于6月29日傍晚落下了帷幕，为此三天的此次大会既是全球主流电信运营商的舞台，也是全球主流设备厂商的秀场，更是呼之欲出的5G T台。

德州大学和清华大学研究团队运用强化学习技术成功优化量子纠错码设计，将物理量子比特开销最高降低73倍，并首次实现距离高达35的实用化编码。该方法通过"权重约简"策略，在保持纠错能力的前提下显著简化测量操作复杂度，为近期量子设备的容错计算实现提供了可行方案，代表了AI驱动量子技术发展的重要突破。

ENERVERSE-AC(EVAC)是一种创新的动作条件世界模型，它能根据机器人预测的动作生成未来视觉观察结果，实现真实且可控的机器人仿真。该研究由AgiBot、上海交通大学和香港中文大学的研究团队开发，通过多层动作条件注入机制和射线图编码技术，支持动态多视角图像生成。EVAC不仅作为数据引擎可增强训练数据多样性，还能作为政策评估器模拟环境响应，无需物理机器人即可进行政策测试，显著降低了开发成本。实验结果表明，EVAC生成的仿真与真实世界场景高度一致，为机器人模仿学习提供了高效、经济的解决方案。

Anthropic研究团队开发的REINFORCE++算法通过采用全局优势标准化解决了AI训练中的"过度拟合"问题。该算法摒弃了传统PPO方法中昂贵的价值网络组件，用统一评价标准替代针对单个问题的局部基准，有效避免了"奖励破解"现象。实验显示，REINFORCE++在处理新问题时表现更稳定，特别是在长文本推理和工具集成场景中展现出优异的泛化能力，为开发更实用可靠的AI系统提供了新思路。

港科大等多院校团队发表的突破性研究，解决了多模态AI训练中的"模态差距"难题。通过精确建模文字和图像信息间的几何关系，开发出ReVision训练方法，让AI主要通过阅读文字就能学会理解图像，将训练成本降低26%，为AI训练提供了更经济高效的新路径。

德国卡尔斯鲁厄理工学院开发出FLOWER机器人控制系统，这个仅有950M参数的"机器人大脑"能让不同类型机器人理解语言指令完成190种复杂任务，训练成本仅为传统方法的1%，在真实环境测试中成功率达61%，并能处理未见过的物体和环境，为通用机器人智能的实用化部署开辟了新道路。

女性加上科技，大家觉得这样很酷。

华中科技大学联合地平线机器人开发RAD自动驾驶训练系统，首次将3D高斯点云渲染技术应用于强化学习，在逼真虚拟环境中让AI通过试错学习驾驶技能。该方法巧妙结合模仿学习与强化学习，将碰撞率降低3倍至8.9%，同时保持人类化驾驶风格。研究为自动驾驶AI安全训练开辟新路径，预示更可靠的无人驾驶汽车即将到来。

斯坦福与哈佛研究团队通过创新的"层次贝叶斯框架"，首次从理性分析角度解释了AI学习策略转换机制。研究发现AI会在"记忆型"和"理解型"两种策略间理性选择，转换规律遵循损失-复杂度权衡原理。该理论框架仅用三个参数就能准确预测AI在不同条件下的行为表现，为AI系统的可控性和可预测性提供了重要理论基础。

UniTEX是香港科技大学与Light Illusion团队联合开发的创新3D纹理生成框架，彻底突破了传统UV映射的限制。该技术引入了"纹理函数"概念，将纹理定义为3D空间中的连续函数，完全绕过了拓扑歧义问题。配合精心设计的大型纹理模型和高效的扩散Transformer微调策略，UniTEX能从单一参考图像生成高保真、完整的3D纹理，同时在艺术家创建和AI生成的复杂模型上都表现出色，为游戏、VR和数字内容创作领域带来革命性变化。

一度万亿市值的苹果公司正处于艰难时期。

T-Tech团队发现传统AI变压器存在"表征崩溃"问题，即在深层处理中会逐渐忘记重要信息。他们开发了LIMe技术，让AI每层都能访问历史层信息，如同为AI配备"全能记忆库"。实验显示LIMe在相同计算成本下性能提升15.3%，复杂推理任务准确率提升8-30%，且额外开销仅0.08%。这项技术为提升AI效率提供了新思路。

Meta超级智能实验室开发了ARE平台和Gaia2基准测试，为AI智能体创造了更真实的训练和评估环境。ARE支持异步交互，模拟真实世界的复杂性和不确定性。Gaia2包含1120个场景，评估AI的七项核心能力。实验显示最强模型成功率仅42%，特别在时间管理和处理歧义方面表现较差，揭示了当前AI技术的局限性和改进方向。

中科大研究团队针对新兴MCP协议环境开发了首个专业AI评估基准MCP-AgentBench，包含33个服务器188种工具和600道测试题目。研究发现开源模型表现优异，通义千问达到64.7%最高得分超越专有模型，揭示了交互框架对性能的关键影响，为AI工具使用能力评估建立了新标准。

就在新任首席执行官Pat Gelsinger宣布英特尔公司的重塑计划正好一周之后，Arm发布了其架构的第九个版本，并且提出了该公司对下一个十年的愿景。

约翰霍普金斯大学团队开发了VLV系统，仅用1000美元成本就能达到GPT-4o级别的AI图像描述效果。该系统巧妙组合现有的视觉编码器、扩散模型和语言模型，通过两阶段训练实现高质量图像描述。测试显示VLV在重建质量和人类评价方面与顶级商业模型相当，同时具备出色的空间理解和创意组合能力，为AI技术普及化提供了新思路。

香港理工大学等机构研究团队发现扩散语言模型存在"早期答案收敛"现象：高达99%的问题在推理中途就已得出正确答案，却仍继续无效推理。基于此发现，团队开发了Prophet方法，通过监控AI推理信心动态决定提前停止时机，实现3.4倍推理加速且几乎不损失准确性，为AI文本生成效率优化开辟新方向。

以灵活、易扩展著称的 NoSQL 在企业数字化转型的过程中，究竟发挥着怎样的作用？其重要性体现在哪？未来 NoSQL 数据库又将迎来怎样的发展？

约翰·霍普金斯大学研究团队开发出突破性的少样本学习方法，用于检测AI合成语音。该方法通过自注意力原型网络，仅需10个样本就能快速适应新的语音伪造技术，在日语深度伪造检测中实现32%错误率相对减少。这项技术为应对日益复杂的声音欺诈提供了高效解决方案，有望应用于金融安全、司法取证等领域。

这项由哈工大深圳与阿里巴巴联合研发的AniMaker系统，能够仅凭文字描述自动制作多角色动画片。系统采用四个AI智能体协作模式，模拟专业动画制作流程，引入蒙特卡洛树搜索算法优化视频片段选择，并首创AniEval动画专用评价体系。实验显示该系统在各项评价指标上均超越现有方法，为AI创意应用开辟新方向。