上海交通大学研究团队提出Iwin Transformer，这是一种无位置编码的分层视觉变换器，通过创新的交错窗口注意力和深度可分离卷积协作，能直接从低分辨率微调到高分辨率。该方法用注意力连接远程令牌，用卷积连接邻近令牌，在单模块内实现全局信息交换，克服了Swin Transformer需要两个连续块的局限。在ImageNet-1K上达到87.4%准确率，在语义分割和视频识别等任务中表现出色。

毫无疑问，Agent，也就是智能体已经预定了今年的最火AI关键词。不知道明年会不会是AGI呢，既然OpenAI和Anthropic的预测都是在2027年左右。而在Agent领域，非常有发言权的一位就是吴恩达。LangChain前不久的开发者活动Interrupt上，LangChain创始人Harrison Chase邀请了吴恩达专门做了一场对话

圣母大学研究团队发布了迄今最全面的大语言模型跨学科应用调研报告，系统梳理了AI在人文、商业、科学工程等13个领域的应用现状。研究发现，大语言模型在文本处理和模式识别方面表现优异，但在创造性思维和价值判断上仍有局限。报告强调人机协作是未来发展方向，并为不同需求用户提供了具体的模型选择建议。

苹果发布搭载3nm A17 Pro芯片的iPhone 15 Pro（附机型对比）

NVIDIA团队开发的Cosmos-Reason1是首个专门针对物理推理的多模态AI系统，通过创新的训练方法让AI具备了理解物理世界和进行具身推理的能力。该系统包含70亿和560亿参数两个版本，采用物理AI监督微调和强化学习两阶段训练，在物理常识和具身推理评测中显著超越现有模型，为机器人、自动驾驶等应用奠定重要技术基础。

为什么选择做AI Agent？澜码科技创始人兼CEO周健的解释是：传统的系统是人适应机器，造成人成为数据的搬运工；今天有了大模型，我们有机会让机器去适应人，在这方面AI Agent前景广阔。

为什么选择做AI Agent？澜码科技创始人兼CEO周健的解释是：传统的系统是人适应机器，造成人成为数据的搬运工；今天有了大模型，我们有机会让机器去适应人，在这方面AI Agent前景广阔。

Skywork AI推出Matrix-Game，这是首个能根据键盘鼠标操作实时生成交互式游戏世界的AI模型。该系统使用2700小时《我的世界》视频训练，拥有170亿参数，能精确响应用户指令生成符合物理规律的游戏场景。研究团队还开发了GameWorld Score评测标准，验证了Matrix-Game在控制精度和视觉质量方面显著超越现有模型，为AI辅助游戏开发和虚拟世界创建开辟了新方向。

DreamVVT是ByteDance团队开发的突破性AI视频虚拟试穿系统，采用创新的两阶段设计：先为关键帧生成精准试穿效果，再生成流畅完整视频。该系统能处理复杂的真实场景，包括户外环境、360度转身等高难度动作，在多项评测中达到最优性能。技术核心在于充分利用预训练模型优势，通过多模态信息融合实现高质量的服装替换效果。

Google发布能力最强AI多模态大模型Gemini；深圳发布算力基础设施支持政策；人工智能计算力报告发布。

AI正在彻底改写创业规则：YC最新数据显示，10人团队12个月达成千万美元营收已成常态，"氛围编程"让技术不再是瓶颈，而创始人能否深度理解客户需求成为成败关键。当6人团队就能创造八位数收入时，我们看到的不仅是速度革命，更是对公司本质的重新定义。

德勤2026年1月发布的企业AI现状报告基于对全球24个国家超过3200名企业和IT领导者的调研，揭示了AI从试点向规模化转型的关键时刻。

上海交通大学研究团队发布了突破性的科学推理数据集MegaScience，包含125万高质量实例，首次从12000本大学教科书中大规模提取科学推理训练数据。该数据集显著提升了AI模型在物理、化学、生物等七个学科的推理能力，训练的模型在多项基准测试中超越官方版本，且具有更高的训练效率。研究团队完全开源了数据集、处理流程和评估系统。

德州大学研究团队开发的PRvL系统成功将大语言模型应用于个人信息保护，实现了99.4%的识别准确率和极低的隐私泄露风险。该系统支持多种模型架构和训练策略，具备跨语言处理能力，完全开源可本地部署，为医疗、法律、金融等敏感领域提供了实用的隐私保护解决方案。

GPT-5是OpenAI于2025年8月发布的新一代多模式大模型，兼具高效应答与深度推理能力，并在安全性、准确性和多语言表现上取得显著提升，尤其在医疗、内容安全与防越狱方面展现突破性进步。

ByteDance Seed团队发布的Seaweed-7B研究展示了如何用相对较少的计算资源（665,000 H100 GPU小时）训练出高质量视频生成模型。这个70亿参数的模型通过精细的数据处理、创新的VAE压缩技术、混合流架构和多阶段训练策略，在图像转视频任务中排名第二，在多项评估中超越了参数量更大的竞争对手，同时推理速度快62倍，证明了中等规模模型的巨大潜力。

百川智能团队开发的Baichuan-M2是一个32B参数的医疗AI模型，通过创新的动态验证系统突破了传统静态评估局限。该系统包含虚拟患者模拟器和临床评估标准生成器，让AI在真实诊疗环境中学习。在HealthBench测试中，Baichuan-M2获得60.1分超越所有开源模型，在最困难的HealthBench Hard中获得34.7分，成为全球仅有两个突破32分的模型之一。

苹果公司发布突破性AI模型Manzano，首次实现单一模型同时具备图像理解和生成能力。该模型采用创新的混合视觉标记器设计，通过统一的语义空间有效解决了传统多模态模型中理解与生成任务的冲突问题。在多项基准测试中，Manzano不仅达到了专门化模型的性能水平，还展现出优异的规模化效应和实用性。

谷歌I/O大会的第一天，Google联合创始人Sergey Brin（谢尔盖?布林）高调现身，与Google DeepMind首席执行官Demis Hassabis，来了一场炉边谈话。全程只有半小时，但信息密度很高，话题涵盖了：AI的前沿模型、AGI的定义与路径、AI伦理、智能眼镜、谷歌AI战略等一系列热点话题。整体看下来，是这家以工程师文化为底色的公司，在经历了外部冲击与内部整合后，对其“AI信仰”的一次再确认与再出发，它关乎的不仅是AGI的星辰大海，更是如何脚踏实地将Gemini真正融入物理世界。

NVIDIA研究团队开发的STORM系统实现了AI长视频理解的重大突破。该系统采用Mamba时间编码技术，能够像人类一样理解视频的时间脉络和内容关联，而非孤立分析每帧画面。通过创新的三种压缩策略，STORM在大幅提升处理效率的同时保持了理解准确性，在多项基准测试中超越现有系统5%以上，为教育、医疗、安防等领域的智能化应用奠定了技术基础。