多年来，计算机硬件一直是一个乏善可陈的市场。占主导地位的x86微处理器架构正在触达可通过小型化实现性能增长的极限，因此制造商们的目光聚焦于在芯片中封装更多核心上。

加州大学伯克利分校与Meta FAIR研究团队开发了"Self-Challenging"框架，让大语言模型通过自己创建和解决任务来提升能力。该方法引入创新的"Code-as-Task"格式，包含指令、验证函数、示例解决方案和失败案例，确保生成的任务既可行又有挑战性。在工具计算、网页浏览、零售服务和航班预订四种环境测试中，仅使用自生成训练数据，Llama-3.1-8B模型性能提升了两倍多，证明AI可以通过自我挑战实现有效学习，减少对人类标注的依赖。

科技公司是人类历史以来最不喜欢监管，最不喜欢边界的商业团体。

LangGPT创始者云中江树的双面人生

疫情终将过去，但是其带给我们的影响和思考将是长久的。这次危机从长远来看，也可以转化为金融行业提升业务和科技弹性，进一步深入数字化重塑的契机。

乔布斯在1997年WWDC的传奇问答中，直面批评、分享战略转型：聚焦意味着勇敢说"不"，创新不是为不同而不同，而是做到"好得多很多"，产品必须从用户体验倒推技术。这场对话奠定了苹果未来20年的成功基因。

至顶科技CEO兼总编辑高飞现场访谈微软中国CTO韦青

如果真把小韩当成“水货”，那可大错特错了。

哥伦比亚大学研究团队发布NodeRAG技术，通过异构图结构革新智能问答系统。该方法将文档信息分解为7种节点类型，采用双重搜索机制，在多个权威测试中准确率达89.5%，检索效率提升50%以上，为智能信息检索技术带来重大突破。

这篇研究论文介绍了MM-PRM，一种用于增强多模态数学推理能力的过程奖励模型。研究团队首先构建了一个强大的多模态策略模型MM-Policy，然后创建了包含10,000个多模态数学问题的数据集MM-K12。利用蒙特卡洛树搜索(MCTS)框架，他们自动生成了超过70万个步骤级别的标注，无需人工参与。最终的奖励模型在Best-of-N推理设置中显著提升了多个基准测试的性能，包括MM-K12、OlympiadBench和MathVista等。研究还发现软标签、较小的学习率和路径多样性是优化PRM性能的关键因素。

中科院软件所联合阿里巴巴推出SolutionRAG智能工程设计系统，通过双重思维树机制自动生成复杂工程解决方案。该系统能像资深工程师一样同时考虑地震、土壤、降雨等多重约束条件，在八个工程领域的测试中均达到最佳性能，为工程设计的智能化应用开辟了新方向。

Yandex研究院开发出SWD技术，通过"阶梯式"分辨率策略让AI绘画速度提升2-10倍。该方法从低分辨率开始逐步升级，避免在早期高噪声阶段处理无效细节，同时创新了分片分布匹配技术确保质量。在多个主流模型上的测试显示，SWD在保持相近质量的同时显著提升了生成效率，为AI内容创作的实时化应用奠定了基础。

布朗大学与Adobe研究院联合推出MS4UI数据集，专门解决软件教学视频的智能总结问题。该研究收集了2413个Adobe软件教程视频，提出视频分割、文本总结、视频总结三大任务，为软件学习AI开辟新方向。实验显示现有方法表现不佳，凸显了专业领域AI的技术挑战。

这项由电子科技大学、香港中文大学等机构联合完成的研究，创建了PersonaFeedback基准来评估AI的个性化能力。研究包含8298个测试案例，分为三个难度等级，发现即使最先进的AI模型在个性化任务上表现也不理想。研究还发现推理能力提升不等于个性化能力提升，直接提供用户信息比让AI推测更有效。

香港科技大学研究团队提出GPAS技术，通过"梯度保持激活缩放"解决Pre-LayerNorm架构中激活方差指数增长问题。该技术在前向传播时缩放激活值，反向传播时保持梯度不变，在71M到1B参数模型上均显示显著性能提升。GPAS具有出色的架构兼容性，可应用于多种Transformer变体，为大型语言模型训练优化提供了简单有效的解决方案。

Enigmata是一项突破性研究，通过合成可验证的拼图训练大语言模型的逻辑推理能力。该研究创建了包含36种任务、7大类推理能力的完整训练系统，每项任务都配备了可控难度生成器和自动验证器。基于此训练的Qwen2.5-32B-Enigmata模型在拼图推理基准上超越了o3-mini-high和o1等顶尖模型。更令人惊喜的是，当应用于更大规模模型时，这些拼图数据不仅提升了模型解决拼图的能力，还意外增强了其数学和STEM推理能力，展示了纯逻辑训练带来的广泛泛化优势。

ReSurgSAM2是新加坡国立大学团队开发的两阶段手术视频分割系统，允许外科医生通过文本指令精准识别和追踪手术器械与组织。这项创新利用SAM2模型为基础，添加了跨模态空间-时间Mamba、可靠初始帧选择和多样性驱动长期记忆机制，解决了现有技术在长时间追踪和实时性能方面的局限。实验表明，该系统在准确性上显著超越现有方法，同时保持61.2 FPS的实时处理能力，为手术认知辅助、教育和导航提供了强大工具。

Alita是一种新型通用AI代理系统，采用极简设计理念，以"最小预定义，最大自我进化"为原则构建。由普林斯顿大学等多家机构研究团队开发的Alita，只配备一个核心能力和少量通用模块，能自主创建所需工具并重用为模型上下文协议(MCPs)。实验显示，Alita在GAIA基准测试上达到87.27%的通过率，超越包括OpenAI Deep Research在内的复杂系统，证明简约设计可带来卓越性能。

本研究提出了首个针对视觉自回归模型的测试时缩放框架TTS-VAR，通过自适应批次管理、聚类式多样性搜索和重采样式潜力选择三大策略，将AI图像生成质量显著提升8.7%。该框架巧妙地将生成过程视为路径搜索问题，在早期保持结构多样性，后期进行智能选择，实现了计算效率与生成质量的双重优化，为视觉生成技术发展提供了新思路。

南洋理工大学研究团队开发了名为Puppeteer的自动化系统，可将静态3D模型转换为完整的动画资产。该系统包含自动骨骼生成、智能皮肤绑定和视频引导动画制作三大核心功能，基于5.94万个高质量样本的大规模数据集训练。相比传统需要数周的手工制作，Puppeteer可在约30分钟内完成整个流程，在多项指标上显著超越现有方法，为3D内容创作的智能化转型提供了重要技术突破。