微软推出了新一代高效 AI 模型 Phi-4，可同时处理文本、图像和语音，且计算资源需求大幅降低。其中 Phi-4-Multimodal 仅有 56 亿参数，Phi-4-Mini 仅有 38 亿参数，性能却超越同等规模竞品，甚至在某些任务上媲美两倍大小的模型。这一突破性进展为开发者提供了先进的 AI 能力，有望推动边缘计算和普及 AI 应用。

KAIST研究团队开发出"思维草图"方法，让大型语言模型像人类专家一样进行简洁高效的推理。该方法通过三种认知启发的推理方式和智能路由系统，在15个数据集上实现平均73%的输出减少，同时保持甚至提升推理准确性，为AI应用的效率优化提供了重要突破。

上海AI实验室发布视觉强化微调技术，让计算机学会"边看边思考"。该方法通过强化学习训练视觉模型先进行推理再给出答案，在少样本学习中表现优异，单样本图像分类准确率提升24.3%，物体检测精度提升超20分，在开放词汇检测等任务上也实现显著突破。

几年前，我还是一名IT销售人员，一日出差途中，倍感无聊，点开朋友圈以解闷，结果上来就受到了三位段子手的灵魂暴击。

利用谷歌的云AI对为期一周的电视新闻报道（来自互联网档案馆中的电视新闻档案）进行分析，我们即可探索屏幕文字究竟讲述了怎样的故事。

PC、平板二合一，有颜值，更有实力，办公尽显优雅。

研究人员在著名开源文生图像模型FLUX进行了实验。结果显示，成功将FLUX的模型量化到1.58位权重，仅用{-1, 0, +1}三种值就能表示而不是更高精度的浮点数。

11月30日下午，由中国商业联合会互联网应用工作委员会指导，亿欧主办的2018亿欧创新者年会—企业智能服务创新者论坛在北京顺利举办。

目前，很多大模型会出现一本正经胡说八道的问题，例如，你提问NBA历史上得分最多的是谁，它回答是迈克尔乔丹，实际上是勒布朗詹姆斯。包括OpenAI自己发布的GPT-4o、o1-preview、o1mini等前沿模型都有这些“幻觉”难题。

东南大学研究团队开发的LayerCake方法通过分析大语言模型内部的"分层蛋糕"结构，发现不同层次处理不同类型信息的规律，创新性地采用对比解码技术来减少AI生成错误信息的问题。该方法在多个测试中显著提升了模型的事实准确性，为AI安全应用提供了重要技术支撑。

现实情况是：当你深入了解时，会惊奇地发现，如今的主机早已今非昔比。而且这种误解和现实的差距，在LinuxONE上体现得最明显。

现在智谱直接接力，直接开源了他们内部效果最好的AI视频模型。智谱的新清影，跟上一代比，已经进步巨大了。不管是审美、还是动作幅度、还是物理规律、还是稳定程度。

戴尔科技就加入了车边缘运算联盟（AECC），力图推进与车联网及自动驾驶汽车等新兴市场连接。

电子科技大学研究团队突破性发现：仅使用不到10%的精选训练数据，就能让多模态AI的推理能力超越传统全数据训练方法，同时缩短40%训练时间。他们开发的RAP数据选择框架通过因果差异分析和注意力评估，精准识别能激发AI真正多模态推理的"认知样本"，颠覆了"大数据必然更好"的传统观念，为AI训练开辟了质量优先的新路径。

烽火通信云计算研发中心云产品总架构师王昊从自身产品研发和行业积累经验出发，以面向未来发展的视角，在大会上分享了主题为“更灵活，更可靠，更安全：面向边缘与中心融合架构的云基础设施平台设计与实现”的技术演讲。

ByteDance Seed团队联合清华大学推出的Seed Diffusion Preview模型，通过离散状态扩散技术实现了每秒2146个token的超高代码生成速度，比传统模型快约五倍，同时保持了高质量输出。

中国香港中文大学深圳分校研究团队开发了TaDiCodec语音编解码技术，实现了极低6.25Hz帧率和0.0875kbps比特率的高效语音压缩。该技术通过文本感知扩散解码器和端到端训练，在保持优异语音质量的同时显著提升压缩效率，在零样本语音合成中达到2.28%英语和1.19%中文词错误率，为AI语音系统提供了革命性的解决方案。

Salesforce AI Research团队开发的MCPEval框架为AI助手工具使用能力评估提供了全新解决方案。该框架基于Model Context Protocol标准，实现了从任务生成到深度分析的全自动评估流程，测试了十个AI模型在五个真实领域的表现，揭示了当前AI助手在执行过程与完成质量间存在普遍差距，为AI助手选择和优化提供科学依据。

Persistence Market Research的最新调研结果显示，预计从2021到2031年，网络性能监控市场将实现12%的年复合增长率。

也许每个人都记得曾经反复购买Fleetwood Mac乐队《Rumors》专辑的日子，黑胶唱片、盒式磁带、CD、迷你光盘和数字下载，这些形式的不断变化证明音乐行业一直在不断地发展，而这种发展通常是以粉丝作为代价。