专为企业级AI智慧计算创新优化设计，FG5295G2凭借其卓越的整机性能、极简的AI架构和一流的训练加速能力，为现代HPC和人工智能提供无与伦比的驱动力，全面助力企业把握AI时代中的新机遇。

卡内基梅隆大学研究团队提出全新"Kinetics"缩放定律，揭示大语言模型测试阶段的资源分配策略需要重新思考。研究发现小型模型效率被严重高估，因为以往研究忽略了内存访问成本这一关键瓶颈。在测试阶段，注意力机制而非参数数量成为主要成本因素。基于此，团队提出以稀疏注意力为核心的新范式，显著提升问题解决准确率，在AIME测试中低成本场景下提升高达60个百分点，高成本场景下仍有5个百分点优势。

中国人民大学研究团队开发了名为DeepCritic的AI批评框架，解决了现有AI监督模型批评过于浅薄的关键问题。该系统通过两阶段训练让AI学会深度思考和多角度分析，在数学推理任务上显著超越现有模型，甚至让小规模模型超越大十倍的系统，为构建安全可控的AI系统提供了新路径。

深圳大学、腾讯等机构联合提出ReDit方法，通过在离散奖励信号中添加随机噪音解决AI训练中的梯度不稳定问题。该方法将学习速度提升约10倍，在数学推理等任务上显著改善模型性能，为大语言模型训练提供了简洁高效的优化方案。

这项由谷歌联合22所顶尖院校开发的研究首次推出了多语言多模态金融AI评测基准MultiFinBen，测试AI在五种语言和三种信息模态下的金融任务处理能力。结果显示即使最强的GPT-4o也只达到50.67%准确率，在多语言任务上仅7.50%，揭示了当前AI技术在实际金融应用中的严重不足，为行业发展指明了改进方向。

宫颈癌是目前唯一病因明确、唯一可以早期预防和治疗、唯一可能基本消灭的癌症。

随着AI技术成本大幅下降和深度伪造技术日益精进，德勤预估到2027年深度伪造诈骗将给美国造成400亿美元损失。在拉斯维加斯安全会议上，专家展示了当前反深度伪造检测技术约90%的准确率。图像操控是最令人担忧的诈骗手段，特别是在金融领域的身份验证中。语音克隆技术也在快速发展，FBI已发出相关警告。专家建议结合技术检测和人工验证，通过元数据分析、边缘检测等方法识别伪造内容。

紫光股份旗下新华三集团作为主要参与单位完成的两项产学研合作成果，凭借在关键技术领域的创新及重大突出贡献，成功斩获2023年度国家科技进步奖两项大奖。

西安交通大学等机构研究团队提出MUR方法，通过"动量不确定性"概念让AI推理系统学会轻重缓急，在节省50%以上计算资源的同时提升0.62-3.37%的准确率。该方法从物理学动量概念获得灵感，能够识别关键推理步骤并选择性地分配计算资源，解决了AI推理中的"过度思考"问题，为提高AI系统效率开辟了新路径。

武汉大学研究团队提出了FRANK模型，一种无需训练的方法，能让视觉语言大模型获得推理和反思能力。研究发现多模态模型中，浅层解码器负责视觉理解，深层负责文本推理，据此设计了一种层次化权重合并策略，将视觉模型与推理模型智能融合。他们通过泰勒展开推导出闭式融合权重公式，并引入注意力引导的指数衰减先验，使模型既保留视觉感知又获得推理能力。实验显示FRANK-38B在MMMU测试中达到69.2%准确率，超越GPT-4o，且展现出卓越的自我纠错能力，为多模态AI提供了无需昂贵训练的新途径。

ScanBot是康涅狄格大学研究团队开发的首个专为高精度表面扫描设计的指令条件数据集，旨在解决机器人在精细工具使用方面的能力缺口。与传统数据集专注于抓取和导航不同，ScanBot关注亚毫米级精度控制，包含12个物体、6类任务和近900个扫描轨迹。研究评估了GPT-4、Gemini等大模型在参数选择、区域定位和轨迹生成方面的能力，发现即使最先进模型也难以满足工业扫描所需的精度要求，揭示了机器人智能向工具特定感知与控制发展的新方向。

这项研究解决了语音合成中的多音字问题，特别针对资源有限的波斯语。研究团队提出了两大创新：一是构建HomoRich数据集，为多音字消歧提供丰富素材；二是重新思考G2P系统设计思路，利用这些数据改进基于规则的模型。他们既提升了神经网络模型Homo-GE2PE的准确率，又创造了HomoFast eSpeak这一快速规则模型，两者均实现约30%的多音字识别准确率提升。研究结果特别有助于提高屏幕阅读器等辅助技术的使用体验，对视障用户尤为重要。

近日，工业和信息化部正式公布2020年跨行业跨领域工业互联网平台遴选结果，华为工业互联网平台FusionPlant连续两年入选。

在这个过程中，人工智能参与进来，辅助医生3分钟内完成影像数据分析，多学科一体化得出治疗方案对病人进行机械取栓手术，用最大努力把患者从终身瘫痪和死亡边缘拉了回来。依靠绿色通道、平台技术的支撑，他们打赢了这场“生命争夺战”。

伊利诺伊大学厄巴纳-香槟分校研究发现，强化学习在微调大型语言模型时，实际上只更新了模型中5%-30%的参数，而非整个模型。这种"参数更新稀疏性"在各种RL算法和模型中普遍存在，且仅微调这个子网络就能达到与完全微调相同的效果。研究表明，训练数据与模型策略分布的接近程度是导致这种现象的主要原因，为未来开发更高效的RL训练方法提供了新思路。

BBC 的研发团队致力于利用技术为公共利益服务，从内容真实性验证、沉浸式媒体体验到 AI 语音转文字系统，实现跨行业创新，造福社会。

MBZUAI和澳大利亚国立大学的研究团队开发了CASS，这是首个大规模跨架构GPU代码转译系统，实现了Nvidia和AMD之间的源代码和汇编级代码转换。该项目包含7万对验证代码对，展示了源代码转换95%和汇编转换37.5%的准确率，远超GPT-4o等商业基准。CASS生成的代码在85%以上的测试中保持了与原生代码相当的性能，并通过CASS-Bench提供严格的评估基准。所有资源已开源，为GPU代码可移植性开辟了新途径。

自从亚马逊推出EC2以来，云计算发展已经超过10年，10年时间让公有云格局“定而未定”。之所以说未定，是因为随着像华为这样的ICT巨头进入公有云领域，从而让公有云市场可能面临再次洗牌，这是一股令如今的公有云巨头都不可小觑的力量。

这项研究提出了AdaCtrl框架，解决大型AI模型在推理时过度思考的问题。通过难度感知预算分配技术，AI可以自动判断问题难度并相应调整推理深度，同时允许用户手动控制思考量。实验表明，与基线相比，AdaCtrl在维持或提升准确性的同时，显著减少了简单问题的回答长度(最高减少91%)，对复杂问题则保持详尽思考。这种"量力而行"的思考方式不仅提高了AI效率，也增强了用户体验，为推理模型发展提供了新方向。

挪威研究团队创建了Kvasir-VQA-x1数据集，这是一个专门用于训练医疗AI进行胃肠镜检查分析的大型数据库。该数据集包含159,549个分层次的医学问答对，能让AI从简单识别发展到复杂临床推理。实验显示经过训练的AI模型在医疗图像分析上达到85%以上准确率，展现了从模式识别向深度医学推理跨越的重要进展，为未来智能医疗诊断奠定了基础。