DiMeR是由香港科技大学研究团队开发的创新3D网格重建模型，通过解构式设计将形状和纹理分离处理。模型使用法线图专门重建几何形状，再用RGB图像生成纹理，成功解决了传统方法中的训练歧义问题。实验表明，它在重建精度上比现有方法提升超过30%，并在多视图重建、单图像转3D和文本到3D生成等多任务中表现出色。这一突破性工作大幅降低了3D内容创作的门槛，为游戏开发、虚拟现实和电影制作等领域提供了强大工具。

在过去的2018年，我们做了一个对共享办公行业的分析报告，包括很多方面，我一一来说

8 月 20 日，「低代码究竟是“银弹”还是“泡沫”」TVP 低代码技术分享会火热开聊，用一场尖峰辩论和一场圆桌对话，共探低代码的过去、现在与未来。

8月15日，讯飞星火认知大模型V2.0升级发布会如约而至，科大讯飞董事长刘庆峰、研究院院长刘聪重磅发布代码能力和多模态能力升级，同时发布并升级搭载讯飞星火认知大模型V2.0能力的多项应用和产品。

对标GPT-4的更大参数规模的星火大模型正式启动训练，2024年上半年将实现对标GPT-4。

在传统数据传输方案中，内存数据访问和网络数据传输分属两套语义集合。数据传输中CPU承担了大量工作。应用程序先申请资源，再通知Socket，内核态驱动程序完成TCP/IP报文封装，最后由NIC的网络接口发送到对端。数据在发送节点需要依次经过Application Buffer、Socket Buffer、Transfer Protocol buffer。到达接收节点后同样需经过多次反向内存拷贝，内核态驱动程序完成TCP/IP报文解封装，应用程序最终将数据写入系统物理内存。

新加坡南洋理工大学研究团队首次提出概念感知微调方法，让AI同时预测多个词块而非单一词块，从而更好理解完整概念。该方法在编程、数学、文本生成、分子设计和蛋白质设计五大领域均显示显著改进，将多词块预测技术首次引入模型微调阶段，大幅降低成本门槛，为AI训练范式变革提供新思路。

人类在计算方法、计算工具等领域的革新，都是应“那时那刻”的场景需求而生的。

这项由斯坦福大学和哥伦比亚大学领导的研究提出了DexUMI框架，使用可穿戴外骨骼将人类手部动作直接转换为机器人手操作。通过结合硬件适配（专用外骨骼设计）和软件适配（视觉内容处理），研究成功克服了人手与机器人手之间的"身体差异鸿沟"，实现了高效的技能转移。实验证明，该方法比传统远程操作提高了3.2倍的数据收集效率，在两种不同机器人手上完成多种任务的平均成功率达86%，为灵巧机器人操作提供了一种新型自然交互方式。

紫金山顶，天空湛蓝、万里无云，而这一行人所代表的国内云计算行业从业者，他们肩头的那朵云，正推动着移动互联网历史的车轮滚滚向前。

想象一下，你只需对手机说一句"帮我订一杯拿铁送到办公室"，手机就能自动打开外卖应用，找到你喜欢的咖啡店，选择拿铁，填写地址，完成支付，一气呵成地完成所有操作。这不是科幻电影中的场景，而是当前大型语言模型驱动的手机图形界面(GUI)代理正在实现的功能。

这篇研究介绍了Moonshot AI团队开发的G1模型，该模型通过强化学习显著提升了视觉语言模型在游戏环境中的决策能力。研究团队首创了VLM-Gym训练环境，包含多种视觉游戏与统一接口，并开发了两代模型：G0通过纯强化学习实现自我进化，G1则结合感知增强冷启动与强化学习，在所有游戏中超越教师模型。最关键的发现是感知和推理能力在学习过程中相互促进，为解决视觉语言模型的"知道-行动"差距提供了新方向。

事前没有人能预测到，企业数字化转型的进程会在过去两年突然改变。每个行业、每个领域的转型都在加速，并且不断扩大规模。

哥伦比亚大学研究团队开发出新的AI偏见纠正技术，通过"重排序"方法让人工智能在总结政治观点时保持公正。该方法让AI生成多个版本后择优选择，结合偏好调优训练，显著提升了观点覆盖度和内容准确性，为构建更可信赖的AI系统提供了实用解决方案。

长期以来，戴尔易安信一直对行业保有敏锐的洞察和分析力，今天编就来聊聊未来服务器市场的一些洞察。

“马化腾法则”的核心是服务分层，即基础业务和增值业务的分层。

波士顿大学研究团队通过先进脑成像技术首次揭示了技能从需要意识控制转变为自动化执行的完整神经过程。研究发现大脑存在两个关键网络：认知控制网络负责新技能学习，程序性学习网络负责自动化执行。随着练习增加，控制权从前者转向后者，释放认知资源处理新挑战。研究还发现了三种不同的个体学习类型，为个性化教育和康复治疗提供科学依据，并为人工智能发展提供生物学启发。

5月17日，“2023中国物联网产业领航者峰会·上海站暨2022‘物联之星’中国物联网产业年度榜单颁奖典礼”在上海世博展览馆会场1成功举办。

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。

Enigmata是一项突破性研究，通过合成可验证的拼图训练大语言模型的逻辑推理能力。该研究创建了包含36种任务、7大类推理能力的完整训练系统，每项任务都配备了可控难度生成器和自动验证器。基于此训练的Qwen2.5-32B-Enigmata模型在拼图推理基准上超越了o3-mini-high和o1等顶尖模型。更令人惊喜的是，当应用于更大规模模型时，这些拼图数据不仅提升了模型解决拼图的能力，还意外增强了其数学和STEM推理能力，展示了纯逻辑训练带来的广泛泛化优势。