卢森堡大学研究团队开发的RLDP框架首次将强化学习应用于差分隐私优化，创造性地解决了AI训练中隐私保护与模型效果的矛盾。该方法如同智能教练，能动态调整隐私保护策略，在四种语言模型上实现平均5.6%的性能提升和71%的训练时间缩短，同时增强了抗隐私攻击能力，为敏感数据的AI应用开辟了新路径。

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。

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。

人们曾经以采集食物为生，而如今他们要重新以采集信息为生，尽管这件事看起来很不可思议。——Marshall McLuhan

清华大学和智谱AI联合发布GLM-4.5系列模型，这是首个在推理、编程和智能代理三大核心领域同时达到顶尖水平的开源AI模型。GLM-4.5拥有355B参数但仅激活32B，创新的混合推理模式能根据任务复杂度自动选择思考深度。该模型在12项基准测试中排名第三，智能代理任务排名第二，已完全开源供研究使用。

微软亚洲研究院发布HeurAgenix框架，首次实现让大型语言模型自动进化和选择算法来解决组合优化难题。该系统通过对比学习机制让AI自主发现改进策略，并开发轻量级选择模型在保持性能的同时大幅降低成本。在五大经典问题测试中表现卓越，为传统需要专家手工设计的优化问题提供了自动化解决方案。

如果我有“机器猫”，我要叫他“小叮当”，竹蜻蜓、任意门和时光机能去任何的地方。

这项由天津大学、滴滴出行等机构联合开展的研究提出了D-Artemis框架，通过模拟人类"思考-校准-反思"认知过程，让手机AI助手具备预执行错误检测和纠正能力。该框架在AndroidWorld上达到75.8%成功率，在ScreenSpot-V2上达到96.8%成功率，将传统系统的基础操作错误大幅降低，标志着AI助手从"事后补救"向"事前预防"的重要转变。

上海交通大学研究团队开发了SWE-Debate框架，通过让多个AI代理进行结构化辩论来解决软件bug问题。该方法首先构建代码依赖图谱生成故障传播路径，然后组织AI代理进行三轮辩论选择最优修复方案。实验显示问题解决成功率达41.4%，故障定位准确率提升14.67%，证明了多智能体协作在复杂软件问题解决中的优势。

希伯来大学研究团队提出"模型地图集"概念，系统性解决AI领域模型管理混乱问题。当前150万公开模型中超过60%缺乏文档，研究者难以找到合适模型，造成重复训练和资源浪费。团队开发出绕过权重对称性难题的新方法，能够自动推断模型血统关系和功能属性，已在真实数据上达到80%以上准确率，为构建有序AI生态系统奠定基础。

字节跳动种子实验室推出突破性实时视频生成技术AAPT，实现24fps高清视频的实时生成与交互控制。该技术通过自回归对抗后训练，将传统多步生成压缩至单步完成，在H100 GPU上实现0.16秒超低延迟。支持长达60秒连续视频流生成，在姿态控制虚拟人和摄像机控制世界探索等应用中表现出色，为实时交互媒体内容创作开辟全新道路。

杜克大学研究团队开发了MOG-DFM技术，这是首个能够同时优化生物分子多种特性的AI系统。该方法成功解决了传统药物设计中"顾此失彼"的难题，能够设计出既安全又有效的治疗性分子。实验证明，MOG-DFM在肽类药物和DNA序列设计中都表现优异，有望显著加速药物发现进程并推动个性化医疗发展。

InfiX.ai和香港理工大学联合发布的InfiAlign框架，通过多维数据筛选和两阶段课程学习，仅用12%训练数据就达到顶级模型性能。该框架发现回答长度与问题难度正相关，创新性地用长度作为难度指标，结合多样性采样和质量过滤，实现了数据效率的巨大提升。在数学推理等任务中表现优异，为资源有限的机构提供了经济高效的AI模型训练方案。

这项由韩国大学联合耶鲁大学等多所院校开展的研究，开发了名为Med-PRM的医疗AI推理框架。该系统让AI在诊断时能够实时查阅医学文献并验证每个推理步骤，使80亿参数的小模型在医学考试中首次突破80%准确率，训练成本仅需20美元却超越了成本数万美元的竞争对手，为医疗AI的普及和可靠性提升提供了新路径。

MIT等顶尖院校研究团队发现AI处理长文本时存在"记忆过载"问题，提出OPRM溢出预防方法，通过"分而治之"策略让AI学会聪明遗忘，性能提升14%-51%。该方法类似智能图书管理员，先快速浏览所有相关内容，再专注分析最相关部分，避免了传统方法的记忆溢出困境，为实现更高效的长文本AI应用开辟新路径。

斯坦福大学研究团队构建了AHELM评估系统，首次对14个主流音频语言模型进行标准化全面测试。研究发现Gemini 2.5 Pro综合表现最佳但存在性别偏见，传统语音识别方法在多项任务中击败先进AI模型，揭示了当前音频AI技术的真实能力边界和潜在风险。

这项研究提出了SWE-Flow框架，通过测试驱动开发方法自动生成AI编程训练数据。研究团队从真实GitHub项目中构建运行时依赖关系图，将复杂开发任务分解为循序渐进的步骤，生成了16061个训练实例。实验表明，使用该数据训练的AI模型在软件开发任务上表现显著提升，为AI编程能力提升提供了新思路。

厦门大学团队开发的TARS技术通过创新的"最大-最小"博弈策略和频谱对齐方法，有效解决了AI视觉系统的幻觉问题。该技术仅用4800个训练样本就将描述错误率从26.4%降至13.2%，性能媲美GPT-4o，为医疗诊断、自动驾驶等关键领域提供了更可靠的AI视觉解决方案。