这项由蚂蚁集团和浙江大学合作完成的研究，通过构建超过10000个评分表的创新训练系统，成功让30B参数的AI模型在开放性任务上超越了671B参数的顶级模型。该方法仅用5000个样本就实现了显著的性能提升，特别在情感表达和自然语言生成方面表现突出，为AI人性化发展开辟了新路径。

中科大与Metastone公司合作提出"归因接地"框架，通过分析真实指令的产生机制来大规模合成高质量训练数据。该方法将指令归因于文档、用户和动机三要素，构建了100万条指令的SynthQuestions数据集。实验显示，用该数据集训练的AI模型性能显著提升，证明了质量胜过数量的重要性，为解决AI训练数据稀缺问题提供了新思路。

港科大团队提出的动态掩码稀疏注意力机制通过内容感知的动态掩码生成和位置感知的稀疏计算，让大语言模型学会智能分配注意力资源。该方法在保持完整信息的同时大幅降低计算复杂度，在长序列处理中实现10倍以上加速，并在多项基准测试中超越现有方法，为高效长文本处理提供了新的解决方案。

这项由TripleSun公司Jakub Michańków博士领导的突破性研究，系统评估了深度神经网络在金融收益概率分布预测中的应用效果。研究采用CNN和LSTM架构，结合正态分布、学生t分布和偏斜学生t分布，在六个全球主要股指上进行验证。结果显示LSTM配备偏斜学生t分布的模型表现最优，不仅在分布预测精度上超越传统方法，在风险价值评估中也展现出与经典GARCH模型相当的性能，为金融风险管理提供了新的技术路径。

黄仁勋于昨天（7月16日）参加了在北京举行的第三届链博会，并于下午举行了长达90分钟的记者会。

基于对用户体验与商业发展的深入洞察，呼吁行业携手努力，立足5G商业再想象（Reimagine）、5G网络再出发（Reinforce）、5G技术再创造（Reinvent），让5G从成功走向更大的成功。

MIT研究团队突破传统AI图像生成瓶颈，开发出局部感知并行解码技术，将生成步骤从256步减少至20步，速度提升12.8倍。该技术通过发现AI绘图中的空间局部性规律，重新设计了生成架构，让AI能够同时在多个区域并行"作画"而不影响质量，为实时图像生成应用开辟新道路。

OPPO研究团队通过系统性实验发现当前AI智能体研究缺乏统一标准，开发出模块化的OAgents框架，在GAIA基准测试中达到73.93%的领先成绩。该研究建立了严格的评估协议，将智能体能力分为事实获取和逻辑推理两个维度，为行业提供了标准化的工具和方法，推动AI智能体研究走向科学化和规范化。

数据作为新生产要素，定价是需要突破的难题，是发挥数据要素驱动作用的关键，需要深入研究。企业数据按照市场原则自主定价在理论和政策上已经取得共识，但在实践上还遇到很多困难，亟需找到突破的方向和路径。本文在研究成本法、市场法和收益法等定价方法的基础上，结合当前企业数据的主要定价方法实践，提出在企业数据市场的初期阶段，基于成本对企业数据定价，是市场参与各方容易接受并能有效促进交易达成的方式。

这项由蚂蚁集团包容性AI团队完成的研究发布了Ming-Omni，这是首个媲美GPT-4o的开源多模态AI模型。该模型能够同时处理文字、图像、音频和视频，并具备语音和图像生成能力。采用MoE架构和模态特定路由器，仅需激活2.8B参数就能达到与7B参数模型相当的性能。在多项基准测试中创造新纪录，特别是在语音理解、图像生成和多模态融合方面表现突出。

这份由新加坡国立大学等顶尖学府研究团队发布的调研报告，系统梳理了多模态思维链推理这一前沿AI技术的发展现状。该技术让AI具备了同时处理文字、图像、音频等多种信息并进行逐步推理的能力，在医疗诊断、自动驾驶、智能机器人等领域展现出巨大应用潜力，代表了AI从简单工具向真正智能伙伴进化的重要一步。

意大利卡利亚里大学研究团队开发了RedDino，一个专门用于红细胞形态分析的AI基础模型。该系统基于改进的DINOv2自监督学习框架，在125万张红细胞图像上训练，能够识别多种红细胞形态异常。测试结果显示，RedDino在红细胞分类任务上比现有最佳方法提升2-3%，并展现出优异的跨数据源泛化能力。研究团队已将代码和预训练模型开源，为血液学诊断提供了强大工具。

中国电信研究院联合重庆大学、北航发布T2R-bench基准，首次系统评估AI从工业表格生成专业报告的能力。研究涵盖457个真实工业表格，测试25个主流AI模型，发现最强模型得分仅62.71%，远低于人类专家96.52%。揭示AI在处理复杂结构表格、超大规模数据时存在数字计算错误、信息遗漏等关键缺陷，为AI数据分析技术改进指明方向。

复旦大学联合多所知名院校开发了GeometryZero模型，通过创新的群体对比策略优化（GCPO）方法，让小尺寸AI模型具备了类似数学专家的几何推理能力。该模型能智能判断何时使用辅助构造工具，在多个几何基准测试中表现优异，为AI教育应用的普及化奠定了基础，展现了专门化训练的巨大潜力。

约翰霍普金斯大学研究发现，AI大模型存在严重的"记忆偏见"问题，即使明确指示忽略内部知识，AI仍会固执地依赖训练时的记忆。研究通过创新的诊断框架测试了三种AI模型，发现知识冲突会显著降低模型性能，且这种偏见会影响AI用作评判工具的公正性。

韩国大学和KAIST研究团队提出了DeepVideo-R1，一种革新性的AI视频理解训练方法。该方法通过回归式GRPO和难度感知数据增强两大创新，解决了传统方法中的梯度消失和训练信号稀疏问题。在多个权威测试中显著提升了AI的视频推理能力，特别是在处理未见过的新任务时表现出色，为AI视频理解技术发展开辟了新方向。

蚂蚁集团与西湖大学联合开发的AWORLD开源框架，通过分布式并行训练将AI助手的练习效率提升14.6倍，成功将Qwen3-32B模型在GAIA测试中的准确率从21.59%提升至32.23%，在最困难任务上甚至超越了GPT-4o等商业AI产品，为"从练习中学习"的AI训练理念提供了实用解决方案。

苹果公司研究团队开发了AXLearn，一个模块化的大型AI模型训练系统。该系统采用严格的组件封装设计，能在GPU、TPU、Trainium等异构硬件上运行，将添加新功能的代码量从数百行减少到10行，实现了常数级的复杂度增长。研究团队创造了"代码行复杂度"指标来量化模块化优势，并通过大规模实验证明了系统的高性能和扩展性。

意大利国家研究委员会团队提出了一种创新的艺术风格分类方法，将柯尔莫哥洛夫-阿诺德网络融入双教师知识蒸馏框架。该方法用自适应样条函数替代传统固定激活函数，能更精确捕捉艺术风格中的复杂非线性特征。在WikiArt和Pandora18k数据集上的实验表明，相比传统MLP投影头，该方法在多种主干架构上都实现了显著的性能提升，特别在细粒度艺术风格区分方面表现出色，为艺术风格自动识别和文化遗产数字化提供了新的技术路径。

在AI圈子里，大家或许听到过这样的话术，“AI创新既是一场马拉松，也是一场短跑”，此时此刻我在AMD Advancing AI这场关乎未来AI计算格局的会上，脑中多次浮现出这句话。