技术更迭无小事，搜索引擎无战事。

德国图宾根大学研究团队发现现代AI视觉模型具备强大的图像排序能力，能够理解年龄、美观程度等连续属性并进行准确排序。研究测试了7种AI模型在9个数据集上的表现，发现CLIP模型表现最佳，且仅需极少样本就能学会排序。这一突破为照片管理、电商展示、社交媒体等领域提供了新的技术方案。

节日期间，将举办上千场活动、集中推出万余款优秀产品、精选200款热门场景精品、提供近200款免费试用新品等，为中国企业数字化转型提供储备充足的“粮仓”。

KAIST研究团队提出VIRAL方法，通过视觉表征对齐技术解决多模态大语言模型视觉理解不精准的问题。该方法让AI模型内部视觉表征与预训练视觉基础模型保持一致，避免训练中视觉细节的丢失，在对象计数、空间推理等视觉任务上取得显著性能提升，为多模态AI的视觉理解能力改进提供了简单有效的解决方案。

除了直接使用GPTs，自己写一套prompt更能满足个性化需求。

Oracle可能仍然是最大的数据库提供商，而Amazon希望全世界都知道，数据库不仅仅是这个古老巨头的品牌。

浙江大学研究团队提出HBPO框架，通过分层预算探索让AI模型学会根据问题复杂度自适应调整推理深度。该方法在四个数学基准上实现了60.6%的词汇使用减少和3.14%的准确率提升，展现出智能资源配置的适应性行为，为大规模推理模型的高效部署提供了新思路。

这是首个大规模研究AI知识传授能力的实验，涉及118名参与者与8个顶级AI模型的协作。研究发现AI的智能水平与教学效果并非正比关系，一些高性能AI反而在协作中表现不佳。通过分析数千条对话记录，研究揭示了影响人机协作成功的关键因素，包括表达方式匹配、自适应引导和避免过度依赖。研究警示：随着AI能力提升，可能出现"知识传授鸿沟"，需要专门优化AI的可理解性。

Google DeepMind研究团队通过理论分析和实验验证，发现了AI搜索系统的数学局限：基于固定维度向量的搜索无法表示所有文档组合关系。他们创建的LIMIT测试集让顶尖AI模型准确率低于20%，证明问题源于数学本质而非工程缺陷。

IBM研究人员用了一些方法有效地将更多的信息置于用于进行模拟的数学函数里，即是说计算过程的结果要精确得多，而且并无额外的计算成本。

Mistral AI发布了两个开源多模态语音AI模型Voxtral Mini和Small，不仅具备语音识别能力，更能理解语音内容并进行智能对话。模型支持32K上下文窗口，可处理40分钟长音频，在语音识别、翻译和理解任务中达到最先进水平。Small版本超越多个闭源模型，Mini版本可本地运行，两个版本均在Apache 2.0许可证下开源发布。

容器与无服务器也在各自的道路上不断发展，二者相互竞争、持续演变出新形态才是我们消费者最乐于看到的未来。

今天，华为全联接大会（HUAWEI CONNECT 2018）在上海世博中心举行。本届大会以"+智能，见未来"为主题，携手全球ICT产业领袖、行业先锋、生态伙伴、商业智囊共同探讨人工智能在各行业发展的方向和机遇。

北京大学与上海AI实验室联合发布FUSION模型，通过创新的全模态整合技术，实现视觉和语言的深度融合。该模型仅用630个视觉令牌就超越了传统大型模型，在文本引导视觉编码、上下文感知解码等方面取得突破，代表了多模态AI发展的重要里程碑。

首尔国立大学研究团队开发了CHARTCAP数据集，包含56.5万个高质量图表-描述对，通过四阶段流水线和循环验证方法解决了AI图表理解中的幻觉和信息贫乏问题。研究还提出了视觉一致性得分评估方法，该方法通过重构图表来验证描述质量。实验显示，经CHARTCAP训练的AI模型在图表理解能力上首次超越人类专家标注，为AI在专业领域的应用开辟新路径。

这项由Sierra公司联合多伦多大学开展的研究首次揭示了AI对话系统在双控制环境下的真实挑战。研究团队发现，当AI需要指导用户协作操作时，性能会显著下降约20%。他们开发的τ?-bench评估平台通过电信技术支持场景，系统性地测试了AI的协作指导能力，并通过程序化任务生成和环境约束的用户模拟大幅提升了评估可靠性，为未来人机协作AI系统的发展指明方向。

来自印度维洛尔理工学院的研究团队开发了UGPL系统，这是一种模仿医生诊断思路的AI技术，能够智能分析CT扫描图像。系统采用"先看森林再看树"的策略，首先进行全局分析识别可疑区域，然后重点检查这些区域。在肾脏疾病、肺癌和COVID-19三项诊断任务上，准确率分别提升了3.29%、2.46%和8.08%，为医疗AI发展指出了新方向。

IBM首次运用量子计算机解决了经典计算机无法解决的问题。这一成就标志着实用量子计算系统与软件发展旅途已经迎来重要里程碑。

这家私营时装零售商重视其在商业街的形象，但认为数字创新是改善店内客户服务的关键。

这篇论文介绍了一个名为"CrEval"的创新框架，用于跨领域评估文本创造力。研究团队构建了"CreataSet"数据集，包含超过10万条人类水平和100多万条合成创意文本，涵盖87个领域。基于此训练的CrEval评估器在与人类判断的一致性上显著优于现有方法，包括GPT-4o。研究发现，结合人类创建的数据和合成数据对训练有效评估器至关重要，且CrEval不仅能评估创造力，还能提升AI模型生成更有创意内容的能力，为创造力评估和提升开辟了新方向。