这篇论文介绍了ModernGBERT，一个由维尔茨堡大学研究团队开发的高性能德语编码器模型家族（1.34亿和10亿参数版本）。研究将ModernBERT的创新架构应用于德语，同时通过LLM2Vec方法将德语解码器模型转换为编码器以进行对比研究。在SuperGLEBer和MTEB等基准测试中，ModernGBERT 10亿参数模型不仅超越了之前最先进的德语编码器，还在性能和参数效率方面优于转换后的编码器。研究团队还证明了更大模型能有效利用大规模单语语料库，为德语自然语言处理提供了全透明、高性能的资源。

7月4日，百度大脑3.0发布，包含了技术升级、开放升级两大层面。技术层面，在业界首次提出“多模态深度语义理解”，并形成从芯片到深度学习框架、平台、生态的AI全栈技术布局；开放层面，百度AI开放平台持续升级。

ByteDance Seed团队开发了名为Astra的革命性双模型机器人导航系统，让机器人具备类似人类的环境理解和导航能力。该系统包含Astra-Global和Astra-Local两个模块，前者负责理解自然语言指令和全局定位，后者处理局部路径规划和避障。通过创新的混合拓扑-语义地图、4D时空编码器和掩码ESDF损失等技术，系统在仓库、办公楼等复杂环境中实现了84%-99%的高成功率，显著超越传统方法，为智能机器人助手的实现奠定了重要基础。

KRAFTON研究团队提出T1方法，让小型AI模型通过借助代码解释器等外部工具进行自我验证，解决了小模型记忆力有限导致的验证准确性问题。实验显示，10亿参数的模型配合T1方法在数学推理任务上能够超越80亿参数的独立模型，为小型AI模型的高效部署开辟了新路径。

阿里巴巴团队提出UniME框架，通过两阶段训练方法突破传统多模态AI的局限性。该技术采用文本知识蒸馏和困难负样本训练，显著提升了模型在图文理解、检索和组合概念处理方面的能力，在多个基准测试中取得3-10%的性能提升，为未来智能搜索和多媒体理解应用奠定了重要基础。

由微软和IDC在亚太区进行的一项研究《迎接未来机遇：人工智能激发亚太成长潜力（Future Ready Business: Assessing Asia’s Growth Potential Through AI ）》 显示，到2021年，人工智能（AI）将助力中国企业的创新能力提升2.6倍，并将员工生产力提高2.3倍.。

这项由中科院物理所和北大联合开展的突破性研究提出了量子变分激活函数QVAF，通过将量子电路作为神经网络激活函数，实现了用更少参数获得更强表达能力的技术突破。研究团队开发的DARUAN方法和QKAN架构在多项任务中表现优异，参数效率提升显著，为AI模型优化开辟了全新路径，具有重要科研价值和应用前景。

Stability AI推出SD3.5-Flash系统，将AI图像生成速度提升18倍，仅需4步即可完成高质量图片生成，并通过量化优化让普通手机也能运行。该技术通过"时间步共享"和"分时间步微调"等创新方法，成功解决了传统AI绘画速度慢、硬件要求高的问题，让AI图像生成技术实现真正的民主化普及。

游泳赛事中的数字孪生技术应用。

约翰斯·霍普金斯大学研究团队发现让AI通过玩贪吃蛇等简单游戏进行强化学习训练，竟能显著提升其在数学推理等完全不同任务上的表现。这种名为ViGaL的训练方法无需任何数学训练数据，却在多项测试中超越了专门用数学题目训练的AI模型，展现了游戏训练培养通用推理能力的巨大潜力。

ByteDance智能创作实验室与清华大学联合发布HuMo系统，这是首个实现文字、图片、音频三模态协同控制的人物视频生成框架。该系统通过创新的渐进式训练方法和时间自适应引导策略，让用户仅需提供文字描述、参考照片和音频就能生成电影级说话视频，在多项评测中超越现有专业系统，为内容创作带来革命性突破。

自2020年以来成立的网络安全初创公司，他们至少都获得了400万美元的外部资金，并且凭借着新一轮融资、合作伙伴计划启动、关键产品增强或更新，从众多初创公司中脱颖而出，其中三家位于以色列，三家位于美国东北部，两家位于美国加州，两家位于德克萨斯州。

对很多企业来说，实施合作伙伴为CIO提供了在部署解决方案方面的广泛经验和专业知识，让CIO们可以把合作伙伴积累的经验用于他们的项目实施过程中，以避免常见的错误并且节省大量的时间和精力

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。

北卡罗来纳大学教堂山分校等机构的研究团队开发出SKILLRL框架，让AI智能体首次具备了类似人类的经验学习能力。该系统能够从成功和失败的经验中提炼可复用技能，建立分层技能库，并在训练过程中实现自我进化。实验显示，SKILLRL在复杂任务中的成功率比传统方法提升超过15%，同时大幅减少了计算资源消耗，为构建更智能的AI系统开辟了新路径。

清华大学团队开发出革命性的张量积注意力技术，让AI系统学会"智能遗忘"，将传统AI的完整记忆模式转变为类似人脑的选择性记忆。该技术通过巧妙的数学分解，将复杂信息压缩为关键特征，在保持甚至提升性能的同时，内存占用减少90%，处理速度显著提升，特别适用于长文档处理，为AI应用的普及和效率提升开辟了新路径。

伊利诺伊大学研究团队开发了SAFFRON安全防护系统，通过创新的"多路分叉奖励模型"技术，让AI在面对恶意诱导攻击时能够实时进行安全筛选。该系统将AI安全防护的攻击成功率从89.7%降至40.9%，同时保持回复的自然性和多样性，为AI安全领域开辟了全新的"推理时计算"防护路径。

UI-Genie是一个创新的自我改进框架，解决了GUI智能体面临的两大挑战：轨迹验证困难和高质量训练数据缺乏。研究团队开发了专用奖励模型UI-Genie-RM，采用图像-文本交错架构有效处理历史上下文，并统一了步骤级和任务级奖励评估。通过精心设计的数据生成策略和迭代自我改进，该框架无需人工标注即可创建高质量合成轨迹。实验结果显示，经过三轮数据-模型自我改进后，UI-Genie在多个基准测试上达到了最先进水平。该研究已开源全部实现和数据集，为GUI智能体研究提供重要资源。

腾讯WeChat AI团队联合多所高校发布PRELUDE评测基准，这是首个专门测试AI长文本真实理解能力的评测系统。通过让AI判断虚构角色前传是否与原著一致，该研究发现现有先进AI模型在深度文本理解方面仍比人类低15个百分点以上，揭示了当前AI技术的根本性局限。

智能AI是去年生成式AI领域的重大突破技术,今年企业将大规模部署这些系统。但整合智能AI与现有系统存在诸多挑战,包括基础设施现代化、数据集成、安全合规等。IT领导者需要谨慎考虑这些问题,以确保成功部署智能AI系统。