上海交大团队首次建立AI视觉推理评估标准RISEBench，测试发现即使最先进的GPT-4o-Image在推理驱动的图像编辑任务中准确率仅28.8%。研究涵盖时间、因果、空间、逻辑四大推理维度，揭示当前AI缺乏真正理解物理规律和逻辑关系的能力，为AI发展指明了从模式识别向深层推理转变的重要方向。

这项由南京大学团队开发的FASB技术让AI学会了"察言观色"和"知错能改"。通过实时监控AI内部状态并动态调整干预强度，该方法在多个测试中将AI回答准确率提升了近50%。研究团队创新性地引入了回退机制，让AI能在发现问题时"重新来过"，显著提升了回答质量。该技术在教育、客服、内容创作等领域具有广阔应用前景。

Stripe联合创始人John Collison最近与Anthropic CEO Dario Amodei（达里奥·阿莫代）进行了一次对话。

Stripe联合创始人John Collison最近与Anthropic CEO Dario Amodei（达里奥·阿莫代）进行了一次对话。

美国劳伦斯利弗莫尔国家实验室研究团队发布了世界首个具备真正"透视"能力的计算机视觉数据集MOVi-MC-AC，包含近600万个物体实例。该数据集不仅能识别被遮挡物体的轮廓，更能准确显示被遮挡部分的颜色和纹理，同时采用六摄像头多视角拍摄系统。这项技术突破将显著改善自动驾驶、智能机器人和安防系统的性能。

上海AI实验室等多所高校联合提出φ-Decoding方法，通过让AI在推理时进行前瞻性采样和智能剪枝，解决了传统自回归生成的短视性问题。该方法在多个推理任务上显著提升了大语言模型性能，平均改进超过14%，同时保持了6倍的计算效率优势，为推理时优化提供了实用的解决方案。

iRobot如何理解未来的智能家居？

Meta以1亿美元天价争夺AI人才之际，CFO苏珊·李揭秘资本配置艺术："当扎克伯格一年烧掉600亿建设AI时，我的工作不仅是算清每笔账，更要向骂街的投资者证明——疯狂支出终有回报。"这位19岁闯华尔街的财务奇才，用17年见证了Meta从社交媒体到AI巨头的蜕变。

行业数字化市场里不崇尚个人英雄主义，得伙伴者得生态，得生态者得天下

星际创想实验室发布突破性AI系统Spacer，通过"故意去语境化"技术让人工智能具备科学创新能力。系统由关键词挖掘引擎Nuri和概念生成管道组成，能从18万篇论文中发现新研究方向。验证显示其预测准确率达73.7%，概念重构成功率超85%，生成想法更接近顶级科学研究。

卡内基梅隆大学研究团队开发了一种创新的航拍图像车辆检测技术，通过生成式AI和跨域适应解决了不同地区环境差异导致的检测性能下降问题。该方法利用扩散模型生成合成训练数据，结合多通道注意力机制实现精确标注，在多个数据集上相较现有方法提升显著，为智能交通、城市规划、应急响应等领域提供了实用的技术解决方案，并贡献了两个高质量的航拍车辆检测数据集。

延世大学研究团队开发的UniSkill系统实现了机器人跨身体形态学习的重大突破。该系统让机器人能够通过观看人类演示视频学习技能，无需配对训练数据，在真实环境测试中达到87%的成功率。系统采用逆向和前向技能动力学模型，通过图像编辑框架提取动作本质，展现出强大的泛化能力和跨平台适用性，为机器人技能获取开辟了新路径。

「 阿达的微信名是一串数字，那是他在佛山监狱服刑的囚号。从一名服刑人员转型硬件工程师，编程重启了阿达的人生。科技并不冰冷，它描摹未来蓝图，更关照当下烟火。」

大湾区大学研究团队开发的FairyGen系统能够将儿童简笔画转换为完整动画故事。该系统通过智能故事规划、风格传播适配器和3D重建技术，让画中角色"活"起来并保持原画艺术风格。采用两阶段训练策略分离身份与运动学习，实现自然流畅的动画效果，为创意教育和个性化内容创作开辟新途径。

伊利诺伊大学研究团队提出DynamicRAG框架，通过动态重排序器和强化学习技术，让AI系统能根据问题复杂度智能调整参考文档数量和排序。该系统在七个知识密集型数据集上表现优异，显著提升了问答准确性和效率，为构建更智能的AI助手指明了新方向。

北航团队推出Easy Dataset框架，通过直观的图形界面和角色驱动的生成方法，让普通用户能够轻松将各种格式文档转换为高质量的AI训练数据。该工具集成了智能文档解析、混合分块策略和个性化问答生成功能，在金融领域实验中显著提升了AI模型的专业表现，同时保持通用能力。项目已开源并获得超过9000颗GitHub星标。

最近，在至顶传媒组织的一场市场圈培训活动上，侯明娟详细阐述了《新基建之5G带来的营销机会》，分享了营销的心得体会。

IBM新任首席执行官Arvind Krishna在IBM Think Digital 2020大会上“云首秀”，他以“新常态下的业务发展：不可或缺的新技术”为主题分享了数字化转型时期的企业技术战略趋势。

Google DeepMind团队发布了EmbeddingGemma，这是一个仅有3.08亿参数的轻量级文本理解模型，却能达到7亿参数模型的性能水平。该模型在权威的多语言文本嵌入基准测试中排名第一，支持250多种语言，特别适合移动设备部署。研究团队通过创新的编码器-解码器初始化、三重损失函数训练和模型融合技术，实现了性能与效率的完美平衡，为AI技术普及化开辟了新路径。

上海人工智能实验室的研究团队通过大量实验发现，AI在数学、编程、逻辑推理三个领域的跨域学习中表现出复杂的相互影响：数学与逻辑推理能力相互促进，编程训练效果因模型类型而异，多领域组合训练虽然在单项上可能不如专门训练，但整体表现更均衡。同时，模板一致性、课程学习、奖励设计等因素对AI学习效果影响巨大，中文训练的AI推理能力普遍低于英文训练。