OPPO AI团队发布TaskCraft系统，通过自动化工作流程生成高质量AI智能体任务。该系统采用原子任务构建和深度/宽度扩展策略，能够自动创建需要多步骤、多工具配合的复杂任务，生成约36000个不同难度任务。相比传统人工标注，TaskCraft大幅降低成本，任务通过率达43%，显著优于直接生成方法的18.5%。

这项由清华大学领导的研究提出了Bench-V，首个专注于评估AI模型视觉推理中多模态输出能力的基准测试。通过803个涵盖数学、物理、计数和游戏的精心设计问题，研究揭示即使是最先进的OpenAI o3模型也仅达到25.8%准确率，远低于人类专家的82.3%。实验结果表明，仅增加模型规模或使用文本推理无法有效解决视觉必需推理问题，未来AI需要发展真正的多模态思维能力才能缩小与人类的差距。

人工智能（AI）和机器学习可以通过多种方式提高我们的世界的生产力和效率，甚至有啤酒厂使用人工智能来提高啤酒产量。

智能手机、平板电脑，随着移动智能设备的普及，网络中的主流应用也正在从浏览器上通过URL地址访问的网页应用向APP应用进行转变。虽然数据还是在采用Web应用协议进行传输，但是其背后的系统架构已经不再是由Web服务+数据库所主宰。

英国国防部选择红帽公司构建统一的AI和混合云基础架构，旨在打破数据孤岛，加速AI模型从数据中心到战术边缘的部署。该协议采用平台工程方法，通过标准化基础设施实现AI能力与硬件解耦，支持算法一次开发随处部署。核心围绕国防数字铸造厂展开，为各军种提供一致的MLOps环境，并集成红帽虚拟化平台管理传统工作负载与现代容器化AI应用。

英特尔院士 Aditya Navale 分享图形处理器从实现更好的像素绘制到解决人类复杂计算挑战的演进历程。

这次我们与Fosi Audio的创始人兼CEO Ryan(黄庆龙)进行了一场深入对话，他敞开心扉，分享自己从青涩创业者成长为行业新锐的跌宕起伏的故事，并讲述Fosi Audio如何以用户需求为核心、以技术创新为驱动，重新定义高保真音频的未来。这不仅是一个品牌的崛起，更是一个95后创业者追求梦想的故事。

AI和高性能计算正重塑各行各业，但数据中心为适应多样化工作负载而添加各种专用加速器，反而导致运营效率下降。专用芯片与CPU、GPU等系统组合产生了前所未有的复杂性，功耗飙升至不可持续水平。随着AI模型规模增长和工作负载边界模糊，传统静态硬件分配已不适用。可重构计算提供了新方案：单一平台可动态调整架构以匹配不同需求，消除芯片间通信瓶颈，降低功耗，简化运营。

2022年的高考刚落下帷幕，填报志愿又成为了另一个战场，牵系着每个家庭的心，其中最受瞩目的就是那些热门专业。 选择热门专业往往意味着未来会有更多的工作机会、更高的收益回报，但这样真的就等于选择了一条正确的道路吗？

戴尔易安信CloudIQ是一种基于云的AIOps应用程序，利用机器学习(ML)和预测分析，在问题严重影响业务之前将其连根拔除。

卡内基梅隆大学团队通过评估20多个开源推理模型发现，多数在数学推理上表现优异的AI模型无法将优势转移到其他领域。研究揭示训练方法是关键因素：强化学习能在提升数学能力的同时保持通用性，而监督学习虽然数学成绩突出但会造成其他能力退化。通过内部表征分析发现，强化学习对模型改动更精准，避免了"灾难性遗忘"现象。

Exos CORVAULT完全可以理解为是一块超大的硬盘，最大限度提升数据存储密度，CORVAULT是块文件存储，里面集成的能力包括硬盘自主恢复功能和新的数据保护技术。

有幸在第一时间拿到今年新发布的戴尔Precision 5770移动工作站，戴尔Precision 5770移动工作站是由戴尔Precision 5760移动工作站升级而来。戴尔Precision 5770移动工作站升级了哪些配置呢？

在上一篇文章从阿里辞职后不再内卷——一位德国程序员的“躺平”之路中，成功移民德国的唐小牛曾说过“国外的月亮并没有比中国的圆”，他的朋友王小曾就是个典型的例子。相比于唐小牛的顺利，王小曾的德国移民路可谓处处坎坷。

ByteDance团队开发的Seed-Prover AI系统在2025年国际数学奥林匹克竞赛中成功解出5道题，创下AI数学推理新纪录。该系统采用创新的"引理式证明"方法，能够逐步构建复杂证明，并具备反思改进能力。在多个数学基准测试中表现卓越，为AI辅助数学研究和教育开辟了新可能。

明尼苏达大学研究团队提出了一种创新方法，通过回合级信誉分配显著提升大语言模型(LLM)智能体的多回合推理能力。传统方法只对整个过程进行评价，而他们的MT-GRPO算法能够精确评估每个决策步骤的价值，就像为每一步提供具体反馈。在维基百科搜索工具使用场景中，该方法实现了100%的工具执行成功率和50%的答案精确匹配率，远超传统方法。这一突破不仅提高了AI在多步骤任务中的表现，也为开发更复杂的AI系统提供了重要思路。

Meta和华盛顿大学研究团队开发出PrefPalette系统，首次将认知科学的多属性决策理论引入AI偏好预测。该系统通过分析19个属性维度理解用户偏好形成过程，在Reddit 45个社区测试中准确率比GPT-4o提高46.6%。系统不仅能预测用户喜好，还能解释预测原因，为构建透明可解释的个性化AI奠定基础。

亚马逊正在重塑其旗舰语音助手 Alexa，通过整合 AI 代理、模型混合和浏览器操作能力，打造更智能的 Alexa+。新版本不仅可以主动提供个性化信息，还能理解复杂指令并完成多步骤任务。亚马逊希望通过这种创新方式，让 Alexa 成为更强大、更智能的家庭语音助手。

中科院团队首次开发出1比特视觉-语言-动作模型BitVLA，实现机器人智能操作的革命性突破。该模型将每个参数限制为{-1,0,1}三值表示，通过创新的蒸馏感知训练策略，在仅使用29.8%内存的情况下达到与先进模型相当的性能。在LIBERO机器人基准测试中表现优异，为智能机器人在资源受限设备上的部署开辟了新路径，让家用机器人成为可能。

这项研究提出了一种名为INTUITOR的创新方法，让大语言模型无需外部奖励即可自主学习推理能力。研究者利用模型自身的"自我确定性"作为唯一奖励信号，替代传统需要人工标注或答案验证的方法。实验表明，该方法在数学推理上与使用标准答案的方法相当，并在代码生成等跨领域任务上展现出更好的泛化能力。这为开发能在缺乏外部验证的情况下自我提升的AI系统开辟了新途径，对未来自主学习AI具有深远影响。