华为云提供“训练加速、数据加速、算力加速”三层加速方案，使能模型的高效训练和推理，实现自动驾驶数据的快速闭环流转。

专注于深度静态代码分析领域的鉴释今日宣布，已完成由将门创投及红点创投中国基金（红点中国）联合领投的A＋轮融资。

HPE GreenLake云服务强大而丰富的功能可以满足不同行业和企业的多元需求。近期，它又承载着由AI和机器学习驱动的解决方案，进入了一个相当“刺激”的领域——助力银行开展反洗钱调查。

中科曙光大数据首席科学家、大数据智能研究院院长宋怀明博士应邀在主论坛上发表题为“智能计算驱动产业升级”的主题演讲。

LG AI研究院发布了两个全新的韩国AI专业能力测试基准KMMLU-REDUX和KMMLU-PRO，通过真实的职业资格考试题目评估AI的专业能力。研究发现AI在医学领域表现较好，但在法律等地域性强的专业领域仍有不足，为AI的专业化发展和实际应用提供了重要评估工具。

印度理工学院等机构研究发现，即使是最先进的AI模型如GPT-4o、Claude等，在面对间接表达、干扰信息或背景过载的"混淆问题"时，准确率会从70-80%骤降至25-40%。研究团队开发的ObfusQAte评估框架首次系统性揭示了大语言模型的这一重要缺陷，为改进AI推理能力和提高实际应用可靠性提供了重要基准。

Anthropic和Open Philanthropy研究人员发现，之前声称AI推理模型存在"准确率崩溃"的研究实际上混淆了推理能力和物理限制。通过重新分析发现，AI模型在遇到输出长度限制时会主动停止，而非推理失败；部分测试题目本身无解却被当作失败案例；改用程序生成方式后，模型在复杂问题上表现出色，揭示了AI评估方法的重要缺陷。

5月28日，中法转化医学和精准诊治国际论坛·数字智慧病理发展专题分论坛正式召开。

快手团队提出RLEP方法，通过经验重放让AI像登山者一样重复成功路径，在数学推理任务上实现训练效率和性能双重提升。该方法分为经验收集和重放训练两阶段，在AIME和AMC竞赛中准确率提升1.7-5.2个百分点，训练速度显著加快，为AI推理能力发展开辟新路径。

偷漏通行费，一直以来都是高速公路运营管理的“老大难”问题。仅今年第一季度，某省高速管理局就查处了17.3万辆偷漏费车辆，相关金额高达1389.6万元！若是从全国范围来看，损失更是不可估量。

微软研究院开发的RE-IMAGINE框架通过创新的三层次测试体系（观察、变化、想象），系统评估大型语言模型的真实推理能力。研究发现，即使最先进的AI模型在面对题目变化时表现也会显著下降，揭示了当前AI系统过度依赖统计记忆而非真正逻辑推理的局限性，为AI安全部署和未来发展提供重要指导。

这项研究由Writer公司团队开发的"反思、重试、奖励"机制，通过强化学习教导大型语言模型生成更有效的自我反思内容。当模型回答错误时，它会生成反思并二次尝试，若成功则奖励反思过程。实验表明，该方法在函数调用和数学方程解题上带来显著提升，最高分别改善18.1%和34.7%。令人惊讶的是，经训练的小模型甚至超越了同家族10倍大的模型，且几乎不存在灾难性遗忘问题。这种自我改进技术为资源受限环境下的AI应用开辟了新方向。

清华大学研究团队在IEEE Transactions on Affective Computing发表突破性研究，提出双重学习策略让AI准确识别人类面部情感。新方法结合判别性和生成性学习，在多个标准数据集上准确率显著提升3-4个百分点，特别在处理陌生人脸时表现出色。技术有望应用于智能教育、医疗健康、人机交互等领域，但仍需解决文化差异和隐私保护等挑战。

面对城镇化治理过程中不断涌现的新形势、新要求，利用数字技术，通过“一网统管”推动城市管理手段、管理模式、管理理念创新，对促进县城高质量发展、推进城镇化治理体系和治理能力现代化具有重要意义。

近日,在全球权威的ICDAR Robust Reading大赛榜单中,紫光华智凭借领先的AI技术优势,在文本行检测与识别两项任务中均斩获第一,并一举刷新榜单记录,

加州大学研究团队开发的DOVE系统彻底革新了AI图像处理方式，不再用固定长度表示所有图像，而是根据图像复杂度智能调整表示长度。就像人类描述简单白墙只需几句话，而描述繁忙街景需要更多细节一样，DOVE为简单图像分配更少的"视觉词汇"，为复杂图像提供更多描述单元。实验证明，这种动态方法不仅节省计算资源，还提升了语义理解能力，在各类视觉任务中表现卓越。其查询条件化变体Q-DOVE更进一步，能根据用户问题聚焦相关图像区域，进一步提高效率与理解能力。

5月27日，在2021中国国际大数据产业博览会-人工智能高峰对话上，华为中国区计算业务部总裁常成发表了题为《共创数据新价值 共赢智能新时代》的演讲

这项来自西北大学和谷歌的研究突破了传统马尔可夫强化学习的局限，通过贝叶斯自适应RL框架解释了大语言模型中涌现的反思性推理行为。研究团队提出的BARL算法通过维护多个解题策略的后验分布，指导模型何时何地进行反思性探索，在数学推理任务上展现出显著优势，比基线方法减少高达50%的标记使用量，同时提高了准确率。这一研究不仅解释了"为什么反思有用"，还提供了实用的指导原则，为AI系统的自适应推理能力开辟了新方向。

首尔国立大学团队突破性地提出了基于强化学习的多模态大语言模型个性化训练框架RePIC，仅用2000个样本就达到传统方法21万样本的效果，在多角色图像描述任务中准确率提升至71%（传统方法仅21.3%），首次实现了高效、准确的AI个性化看图说话能力，为个人专属AI助手的普及化应用奠定了重要技术基础。

这项研究开发了VIDEO-RTS系统，仅用传统方法3.6%的训练数据就让AI学会了真正的视频推理能力。系统采用"纯强化学习"跳过死记硬背阶段，结合"稀疏到密集"的自适应推理策略，在五个权威测试中平均准确率提升2.4%。这一突破性进展可能改变AI视频理解的发展方向。