Allen Institute for AI推出首个能实时追溯大语言模型输出到万亿训练数据来源的系统OLMOTRACE。该系统通过创新的并行算法，可在几秒内找到AI回答中与训练数据完全匹配的文本片段，为AI行为分析开创了新范式。支持事实核查、创意溯源等应用，已在AI2 Playground开放使用。

这项研究开发了首个轻量级物理推理评估框架，测试四种主流视觉语言模型在抛射运动、碰撞动力学、力学和流体动力学四个领域的表现。结果显示中等规模的Qwen2.5-VL-7B意外击败最大模型获得最高分0.815，揭示了当前AI模型更擅长公式应用而非真正物理理解的局限性。研究为科学推理评估提供了可复制的工具，并指出概念性错误是主要问题，为未来AI发展指明方向。

蚂蚁集团发布的UI-Venus-1.5是一个能够自动操作手机和网页界面的AI系统。它通过创新的四阶段训练方法，实现了从多个专门模型到统一模型的突破，在多项权威测试中达到70%以上的成功率，特别针对40多个中国主流应用进行了优化，展现了AI助手在真实场景中的应用潜力。

阿里巴巴通义实验室推出WebShaper系统，通过创新的形式化驱动方法让AI具备人类级别的信息搜索推理能力。该系统在权威测试中取得优异成绩，WebShaper-72B模型在GAIA测试中获得60.19分，超越众多开源系统。其核心创新在于建立数学化的任务表示框架和智能扩展器，系统化生成高质量训练数据，有望显著改变未来的信息搜索体验。

SpeakLeash基金会联合波兰多所高校开发了专门针对波兰语的AI安全分类器Bielik Guard，通过1500多名志愿者标注6885个文本样本，训练出两个高效模型。该系统在真实用户测试中达到77.65%精确率和0.63%误报率，显著优于现有解决方案，已开源部署并支持持续社区反馈改进。

Hugging Face推出3D Arena平台，通过123,243次用户投票建立首个大规模3D模型人类偏好评估体系。研究发现用户更偏爱视觉冲击力强的高斯溅射模型和带纹理模型，揭示了审美直觉与技术实用性间的差异，为AI开发提供重要参考。

上海AI实验室研究团队深入调查了12种先进视觉语言模型在自动驾驶场景中的真实表现，发现这些AI系统经常在缺乏真实视觉理解的情况下生成看似合理的驾驶解释。通过DriveBench测试平台的全面评估，研究揭示了现有评估方法的重大缺陷，并为开发更可靠的AI驾驶系统提供了重要指导。

摩根士丹利研究团队开发了专门掌握Q编程语言的AI模型QQwen，通过创新的三阶段训练方法（预训练、监督学习、强化学习），让开源AI模型在Q语言编程测试中达到59%准确率，超越GPT-4.1等商业模型。研究团队完全开源了模型、数据和训练代码，为AI专业化训练提供了可复制的成功范式，证明了中等规模开源模型通过针对性训练可以在特定领域超越大型商业模型的表现。

孙中山大学研究团队开发的RobustSplat技术通过两大创新解决3D高斯飞溅重建中的瞬态物体干扰问题：延迟高斯增长策略优先优化静态结构，避免早期对动态物体过度拟合；尺度级联掩码引导方法先利用低分辨率特征实现可靠初始掩码估计，再过渡到高分辨率监督获得精确预测。实验证明该方法在多个挑战性数据集上明显优于现有技术，为真实场景3D重建提供更高质量、无干扰的结果。

已经举办七年的MWC上海大会于6月29日傍晚落下了帷幕，为此三天的此次大会既是全球主流电信运营商的舞台，也是全球主流设备厂商的秀场，更是呼之欲出的5G T台。

德州大学和清华大学研究团队运用强化学习技术成功优化量子纠错码设计，将物理量子比特开销最高降低73倍，并首次实现距离高达35的实用化编码。该方法通过"权重约简"策略，在保持纠错能力的前提下显著简化测量操作复杂度，为近期量子设备的容错计算实现提供了可行方案，代表了AI驱动量子技术发展的重要突破。

ENERVERSE-AC(EVAC)是一种创新的动作条件世界模型，它能根据机器人预测的动作生成未来视觉观察结果，实现真实且可控的机器人仿真。该研究由AgiBot、上海交通大学和香港中文大学的研究团队开发，通过多层动作条件注入机制和射线图编码技术，支持动态多视角图像生成。EVAC不仅作为数据引擎可增强训练数据多样性，还能作为政策评估器模拟环境响应，无需物理机器人即可进行政策测试，显著降低了开发成本。实验结果表明，EVAC生成的仿真与真实世界场景高度一致，为机器人模仿学习提供了高效、经济的解决方案。

Anthropic研究团队开发的REINFORCE++算法通过采用全局优势标准化解决了AI训练中的"过度拟合"问题。该算法摒弃了传统PPO方法中昂贵的价值网络组件，用统一评价标准替代针对单个问题的局部基准，有效避免了"奖励破解"现象。实验显示，REINFORCE++在处理新问题时表现更稳定，特别是在长文本推理和工具集成场景中展现出优异的泛化能力，为开发更实用可靠的AI系统提供了新思路。

港科大等多院校团队发表的突破性研究，解决了多模态AI训练中的"模态差距"难题。通过精确建模文字和图像信息间的几何关系，开发出ReVision训练方法，让AI主要通过阅读文字就能学会理解图像，将训练成本降低26%，为AI训练提供了更经济高效的新路径。

一年过去，ChatGPT引发的AGI热潮丝毫未减。只是相对于最初推出时掀起的全民大模型热，如今关于该如何落地的讨论更多了起来。

德国卡尔斯鲁厄理工学院开发出FLOWER机器人控制系统，这个仅有950M参数的"机器人大脑"能让不同类型机器人理解语言指令完成190种复杂任务，训练成本仅为传统方法的1%，在真实环境测试中成功率达61%，并能处理未见过的物体和环境，为通用机器人智能的实用化部署开辟了新道路。

女性加上科技，大家觉得这样很酷。

华中科技大学联合地平线机器人开发RAD自动驾驶训练系统，首次将3D高斯点云渲染技术应用于强化学习，在逼真虚拟环境中让AI通过试错学习驾驶技能。该方法巧妙结合模仿学习与强化学习，将碰撞率降低3倍至8.9%，同时保持人类化驾驶风格。研究为自动驾驶AI安全训练开辟新路径，预示更可靠的无人驾驶汽车即将到来。

伯克利与阿布扎比研究团队开发出RAPTOR系统，这是首个能够零调试控制多种无人机的通用AI控制器。该系统仅用2084个参数就能控制从32克到2.4公斤的各种无人机，通过创新的元模仿学习算法实现毫秒级快速适应，在10种真实无人机上验证了卓越性能，为无人机控制技术带来革命性突破。

斯坦福与哈佛研究团队通过创新的"层次贝叶斯框架"，首次从理性分析角度解释了AI学习策略转换机制。研究发现AI会在"记忆型"和"理解型"两种策略间理性选择，转换规律遵循损失-复杂度权衡原理。该理论框架仅用三个参数就能准确预测AI在不同条件下的行为表现，为AI系统的可控性和可预测性提供了重要理论基础。