FuriosaAI团队提出突破性的Draft-based Approximate Inference框架，通过小模型预测指导大模型智能管理资源。研究开发了SpecKV和SpecPC两种方法，分别用于KV缓存管理和文本压缩，在保持高准确性的同时显著降低内存使用和计算延迟，为长文本AI推理提供了高效可行的解决方案。

剑桥大学研究团队创建了史上最难的AI视觉测试ZeroBench，包含100道精心设计的视觉推理题目。在这项测试中，包括GPT-4o、Claude、Gemini在内的20个全球最先进AI模型全部得了0分，暴露了当前AI在基础视觉理解上的严重缺陷。研究发现AI主要在计数、空间推理等基础任务上失败，而非逻辑推理能力不足。

AIM Intelligence联合多所知名大学揭示了音频AI系统的重大安全漏洞，开发出名为WhisperInject的攻击方法。这种攻击能让看似无害的音频指令操控AI生成危险内容，成功率超过86%，完全绕过现有安全机制。研究暴露了多模态AI系统的系统性安全风险，对全球数十亿智能设备构成潜在威胁。

6月15日，以“软件定义智能新时代”为主题的第十六届中国国际软件和信息服务交易会（简称：中国软交会）圆满落幕。

英伟达CEO黄仁勋和Meta CEO马克·扎克伯格，在美国丹佛举行的第50届SIGGRAPH图形大会上进行了一场关于生成式AI的对话，并且他们还互赠了皮衣。

这个故事，有个比较好理解的类比，就像是GPU的发明，实现了并行计算加速的过程。当然，鉴于我们讲的是通信产业的故事，得翼把这个过程叫做“Re-Imagine Radio”，翻译过来是，用RPU“重新定义射频”。

这项研究首次提出了"任意条件到文字描述"的视频生成新模式，通过多模态大语言模型将用户的各种创意输入转化为结构化描述，再驱动现有视频生成系统。研究团队构建了包含33.7万实例的大规模数据集，并设计了创新的渐进式训练策略，实现了对图像、人体姿态、摄像机轨迹等多种条件的统一理解，显著提升了视频生成的可控性和质量。

这项由上海创新研究院、复旦大学、上海交通大学等机构联合完成的研究，首次实现了真正意义上的视频音频同步生成。MOVA系统拥有320亿参数，能够同时生成高质量的视频画面和完全匹配的音频内容，在唇音同步、多人对话、环境音效等方面都达到了行业领先水平，为AI内容创作开辟了全新的技术路径。

南开大学研究团队创建了InterSyn——首个大规模多模态对话数据集，包含180万单轮和5万多轮样本，覆盖3500个话题。通过创新的SEIR迭代优化方法，显著提升了AI生成文图结合内容的质量。同时开发的SynJudge评价工具能从四个维度评估文图协调性，与人类判断偏差仅5%。实验证明该方法在文图协调性上提升52.1%，为构建更智能的多模态AI系统奠定了基础。

复旦大学与上海人工智能实验室联合开发的Learnable SMPLify技术，将传统人体姿态计算的耗时从12秒缩短至0.06秒，实现200倍速度提升。该方法通过神经网络学习姿态转换规律，摒弃传统反复优化策略，采用时间序列数据构造、人体中心坐标标准化和残差学习等创新设计，在保持高精度的同时大幅提升计算效率，为VR、游戏制作、体育训练等领域提供实用解决方案。

北京邮电大学联合腾讯团队开发的We-Math 2.0系统，通过构建491个知识点的数学知识体系、创新的三维难度建模和渐进式强化学习框架，让AI模型获得了真正的数学推理能力。该系统仅用9800个高质量样本就达到了与大规模数据训练相当的性能，在多个基准测试中表现优异，为AI数学教育应用开辟了新道路。

新加坡国立大学研究团队通过分析150多篇相关论文，首次建立了评估提示词质量的21属性框架。研究发现当前提示词研究存在严重不平衡，某些模型和任务被过度关注。通过969个高质量提示词样本分析，团队发现属性间存在强关联性。实验显示单一属性优化往往比多属性组合效果更佳，且用属性增强数据训练的模型表现显著提升。

这项由俄罗斯AIRI研究所等多家机构联合完成的研究，首次系统揭示了LoRA技术在AI知识注入中的潜在风险。通过对Llama-3.1模型的大规模实验，研究团队发现AI在学习新知识时存在明显的"安全阈值"，超过500个新事实后性能显著下降。更重要的是，他们发现释义增强策略能有效缓解这些问题，为AI安全知识更新提供了重要指导。

Zoom公司研究团队开发的TCIA框架通过"拆解-重组"策略解决AI指令训练中的多样性不足和任务漂移问题，将指令分解为基础查询和约束条件后智能重组，在四个真实任务中平均性能提升8.7%，某些场景甚至超越GPT-4o，同时保持通用能力不受损，为企业低成本定制专业AI应用提供了新方案。

这项由莫斯科人工智能研究院完成的研究证明了AI可以通过智能特征选择在保持性能的同时大幅提高效率。研究团队开发了基于自编码器和Gumbel-Softmax的特征筛选方法，在文字识别任务中即使删除50%视觉特征也能维持近似性能，为多模态AI系统的效率优化提供了新思路。

香港中文大学(深圳)研究团队开发出FusionAudio-1.2M数据集，创新性地融合音频、视觉、语音和音乐信息来生成详细的音频描述。该研究采用多模态专家系统和大语言模型整合的两阶段方法，构建了包含120万高质量音频描述的大规模数据集。实验表明，使用该数据集训练的AI模型在音频理解和检索任务上显著超越现有方法，为智能语音助手、自动驾驶等领域带来重要应用前景。

塔尔图大学研究团队开发了IAUNet细胞分割系统，这是首个将U-Net与Transformer查询机制结合的生物医学AI技术。该系统能够精确识别明场显微镜下重叠的细胞，性能超越现有方法同时参数更少。研究团队还构建了Revvity-25数据集，包含110张高精度标注图像，每个细胞使用60-400个多边形点精确描绘。IAUNet在多个数据集上均取得最佳性能，为药物研发、疾病诊断等提供重要工具。

北京大学等机构的研究团队开发出PartCrafter技术，能够从单张照片同时生成多个3D零件组成完整模型，无需预先图像分割。该技术采用创新的局部-全局注意力机制，在保证零件细节的同时确保整体协调性。相比传统先整体后分解的方法，PartCrafter生成速度快18倍，质量更优，甚至能重建照片中不可见的部分，为游戏开发、电影制作、工业设计等领域提供了革命性工具。

毫无疑问，Agent，也就是智能体已经预定了今年的最火AI关键词。不知道明年会不会是AGI呢，既然OpenAI和Anthropic的预测都是在2027年左右。而在Agent领域，非常有发言权的一位就是吴恩达。LangChain前不久的开发者活动Interrupt上，LangChain创始人Harrison Chase邀请了吴恩达专门做了一场对话

Meta AI团队开发的AggLM技术突破了传统AI多数投票的局限，通过强化学习训练模型学会智能聚合多个候选答案。在数学竞赛测试中，该技术将正确率从35%提升至50%，相比传统方法提升45%。AggLM不仅能选择正确答案，还能创造性地组合不同答案中的有用信息，展现了AI向人类专家级推理能力的重要进步。