南洋理工大学研究团队开发了名为"视频思维测试"的新基准，通过1000个精心设计的YouTube短视频揭示了AI视频理解的真实水平。测试发现，即使是最强AI模型GPT-4o的正确率也只有36.6%，远低于人类的84.3%。研究指出AI主要存在时空混淆、世界知识缺失和复杂情节理解困难三大问题，为改进AI视频理解能力指明了方向。

2018年，行业云发展趋势更为明显，每个行业都逐渐形成了自身行业的云计算落地流程和样板案例，极大的促进了私有云建设的落地。同样私有云模式也正在改变着行业企业的业务模式和发展方式。

日本奈良先端科学技术大学等机构首次深入研究AI编程工具Claude Code在真实开源项目中的表现。通过分析567个代码贡献，发现83.8%被成功接受，54.9%无需修改直接使用。AI擅长重构、测试和文档工作，但需要人工修正bug处理、代码风格等问题。研究揭示了AI编程工具的实际能力边界和改进方向。

印度理工学院团队开发出MPA模型对等对齐器，这是一种革命性的AI训练方法，能让小型视觉语言模型在无需人工标注数据的情况下，通过大模型指导显著提升性能。该技术通过三步法实现知识传递：大模型自动出题答题、精准识别知识差距、针对性强化训练。实验显示小模型性能提升高达15.2%，成本仅为传统方法的几十分之一，为AI技术普及开辟新路径。

通用智能体需要世界模型，Google DeepMind团队发现AGI的必经之路

2021年8月15日，一年一度的“新物种爆炸·吴声商业方法发布2021”如约而至，以下为《吴声造物》梳理的演讲全文。

新加坡科技设计大学团队开发了SonicVerse音乐描述AI系统，通过多任务学习架构同时进行音乐特征识别和自然语言生成，能够像专业音乐评论家一样准确描述音乐的技术特征和艺术内容。该系统不仅在短片段描述上表现出色，还能通过AI链式处理为完整歌曲生成详细的时序化描述，为音乐产业的内容标注、教育培训和智能推荐等应用提供了新的技术路径。

香港科技大学团队开发的ACTalker系统实现了多信号协同控制的说话头像生成突破，通过并行控制曼巴层和面具丢弃策略，让AI能同时根据音频和面部动作生成自然的说话视频，在语音同步性和表情控制精度方面全面超越现有方法，为虚拟交互应用开辟了新的可能性。

斯坦福大学研究团队提出FramePack技术，通过几何级数压缩和反向采样策略，有效解决了AI视频生成中的遗忘-漂移矛盾问题。该方法实现了固定计算复杂度下的任意长度视频生成，在多项评估指标上表现优异，为AI视频生成领域带来重要突破。

波士顿大学研究团队开发出Audio2Face人工智能系统，能够仅通过音频信号生成对应的面部动画。该技术通过深度学习分析声音中的细微特征，准确率达87.3%，可应用于视频通话、影视制作、教育康复等领域。研究揭示了声音与视觉之间的深层联系，为跨模态人工智能开辟新方向，但也带来隐私保护和技术滥用等挑战。

北京大学联合字节跳动推出MoVieS技术，能够从单镜头视频中快速重建4D动态场景。该系统采用"动态溅射像素"概念，统一处理场景外观、几何和运动信息，在一秒内完成传统方法需要数小时的重建任务。技术支持新视角合成、3D点追踪、场景流估计等多种应用，在保持高质量的同时实现数量级的速度提升。

OCR要落伍了？多模态大模型凭借端到端的图像识别与语义理解能力，正在颠覆传统 OCR 的应用逻辑，预示着图像识别与理解正迈向新一代的技术范式。

5月26日，“向星力·未来数据技术峰会（FDTC）”在上海成功举办。星环科技创始人、CEO孙元浩表示，未来人人都是数据科学家，人类与数据的交互方式将发生重大变革，语言、视频等自然语言的交互方式将逐渐普及，每个人都将需要一个“虚拟业务助手”。

字节跳动团队提出RewardDance框架，首次系统性解决视觉生成中的奖励模型扩展问题。该框架通过将奖励预测转为生成式任务，并将模型规模扩展至260亿参数，同时集成任务指令、参考样例和推理能力，有效解决了"奖励作弊"问题。实验显示，在文本生成图像任务中质量提升10.7分，视频生成性能改善49%，达到行业领先水平，为AI视觉创作提供了更强大可靠的技术基础。

Meta AI团队联合MIT等机构开发的MetaCLIP 2系统，首次实现了真正的全球化AI视觉理解。该系统支持300多种语言，不仅突破了传统多语言AI的"诅咒"问题，还让英语性能提升0.8%，在多项国际测试中创下新纪录。通过创新的训练策略和开源架构，为构建真正服务全人类的AI技术奠定了基础。

北卡罗来纳大学研究团队通过深入分析手指触控过程中的动态特征，开发出新型触控识别算法，能够理解触控过程中的压力分布、接触面积变化等信息，比传统方法准确率提高15-28%。该技术采用分层处理架构解决计算效率问题，已在真实设备上验证效果，将为个性化交互、情感感知等未来应用奠定基础，有望显著改善用户的触控体验。

说到底，这项由爱丁堡大学埃洛伊丝·克雷文博士领导的研究为我们打开了一扇通往过去的神奇之门。通过从北极永久冻土中提取和分析古老的DNA片段，研究团队成功重建了北极地区几千年来的植被变化历史，揭示了植物群落对气候变化的复杂响应模式。

上海交通大学团队开发的SceneGen系统能够从单张照片自动生成完整3D场景，包含准确的几何结构、逼真纹理和正确的空间关系。该技术在两分钟内完成场景重建，几何精度比现有方法提升76%，为游戏开发、室内设计、虚拟现实等领域提供了革命性的内容创建工具，代码已开源供研究使用。

腾讯ARC实验室推出AudioStory系统，首次实现AI根据复杂指令创作完整长篇音频故事。该系统结合大语言模型的叙事推理能力与音频生成技术，通过交错式推理生成、解耦桥接机制和渐进式训练，能够将复杂指令分解为连续音频场景并保持整体连贯性。在AudioStory-10K基准测试中表现优异，为AI音频创作开辟新方向。

大飞和方平是两家中小企业的IT总监，老乡会上认识之后，两人很快成了朋友，经常在工作之余一起打打球、爬爬山、喝喝酒、看看电影（同漫威“死忠粉”），几乎无话不谈。