Meta FAIR团队发布DARLING技术，通过"多样性感知强化学习"方法解决AI回答千篇一律的问题。该系统创新性地将质量与多样性奖励相结合，使用语义分类器判断真正的内容差异，在创意写作和数学解题等多个领域都实现了质量与多样性的双重提升。这项技术为AI在教育、创意产业等领域的应用开辟了新可能。

GRIT是一种创新框架，它教会多模态大语言模型（MLLMs）在视觉推理过程中"边看边思考"。传统MLLMs虽能处理图像和文字，但无法明确指出推理时关注的具体图像区域。GRIT通过引入一种新的推理范式，让模型生成的推理内容自然地混合文本和边界框坐标，使AI能像人类一样在思考时明确参考视觉信息。研究团队开发的GRPO-GR强化学习方法不需要详细标注数据，仅用20个训练样本就能赋予模型这种能力。

新思科技软件质量与安全部门亚太区客户服务总监Ian Hall告诉记者，相关法律的颁布可以推动人们以更加严肃的态度看待数据安全与保护问题。所有企业/机构都应该了解他们当地的法律。

2018年最后一个季度的全球服务器报告来啦

微软为合作伙伴推出新的优惠套餐，可以使用Copilot、AI、GenAI和Azure工具。

很多企业也正在寻求合适的测试工具作为“一把标尺”，衡量在利用数据过程中是否合规，帮助查找产品、流程等方面在隐私保护上的漏洞，进而提高安全合规性。

通过为多个用户提供的云费用优化服务后发现，大家使用公有云的方式仍然沿袭了传统数据中心/VMware虚拟化环境的资源使用方式，存在资源申请过多/超配，资源长期使用率低等情况，导致云上的费用产生了很多浪费。

2019年12月12日上线的钉钉数字化平台，为中国一汽的疫情防护提供了全面的助力。在中国一汽内部，钉钉数字化平台又名一汽Easy平台，是中国一汽与阿里钉钉联合打造的专属钉钉办公平台。

微软研究院联合多所知名高校开发出SeerAttention-R稀疏注意力框架，专门优化AI推理模型的长序列解码效率。该技术通过自蒸馏学习让AI学会智能筛选重要信息，在保持近乎无损推理准确性的同时，实现了高达9倍的计算加速。系统采用轻量级插件设计，无需重训原模型即可集成，为长文本AI推理应用的普及铺平道路。

IPv6因地址空间巨大，在应对部分安全攻击方面具有天然优势，在可溯源性、反黑客嗅探能力、邻居发现协议、安全邻居发现协议以及端到端的IPSec安全传输能力等方面提升了网络安全性。

日本大阪大学和捷克技术大学研究发现，CLIP等AI视觉模型能从图像中识别相机型号、压缩方式等技术细节，准确率超80%。这种能力会影响模型对图像语义的判断，导致检索和识别结果出现偏差。研究分析了47种模型，发现视觉语言模型最敏感，自监督模型相对较好。团队还发现训练时使用数据增强技术可降低这种敏感性，为改进模型提供了方向。

8月28日，AICC 2019人工智能计算大会（AICC2019）将在北京举行，其中的AI＋视觉计算主题论坛邀请了视觉计算领域的多位大咖，探讨AI视觉计算的前沿技术与最新应用。

对企业而言，谋求高质量发展，保持和提升市场竞争力，数字化转型升级，既是战略性选择，更是企业精细化运营的必经之路。

中国的IT预算预计增长2.8%，与去年的0.7%有了明显的变化，但是相比22年之前的IT预算还处在低位。

斯坦福和伯克利联合开发了DeepScholar-Bench系统，专门评估AI进行学术研究综述的能力。研究通过让AI撰写论文的"相关工作"部分，从知识综合、检索质量和可验证性三个维度测试AI表现。结果显示最先进的AI系统综合得分不超过19%，表明AI学术研究能力仍有巨大提升空间，为未来AI助手发展指明了方向。

这些奇奇怪怪的产品，究竟长什么样？

MIT和Jina AI联合开发的jina-code-embeddings代码嵌入模型，通过改造预训练代码生成模型实现高效代码检索。该模型支持自然语言查询代码、技术问答和跨语言代码搜索，尽管参数规模较小（0.5B-1.5B），但在25项基准测试中表现优异，为AI辅助编程和智能开发环境提供了高性价比的基础工具。

OPPO AI团队发布TaskCraft系统，通过自动化工作流程生成高质量AI智能体任务。该系统采用原子任务构建和深度/宽度扩展策略，能够自动创建需要多步骤、多工具配合的复杂任务，生成约36000个不同难度任务。相比传统人工标注，TaskCraft大幅降低成本，任务通过率达43%，显著优于直接生成方法的18.5%。

HPE在本周一推出了最新版本的HPE GreenLake for Block Storage built on HPE Alletra Storage MP

这项由清华大学领导的研究提出了Bench-V，首个专注于评估AI模型视觉推理中多模态输出能力的基准测试。通过803个涵盖数学、物理、计数和游戏的精心设计问题，研究揭示即使是最先进的OpenAI o3模型也仅达到25.8%准确率，远低于人类专家的82.3%。实验结果表明，仅增加模型规模或使用文本推理无法有效解决视觉必需推理问题，未来AI需要发展真正的多模态思维能力才能缩小与人类的差距。