3月17日，UCloud优刻得举办了主题为“让AI离你更近”的AI新品发布暨合作伙伴招募大会。会上共发布三大系列AI智能边端产品，并首次推出UCloud AI合作伙伴开放平台，通过全面开放AI产品能力，打造“离用户、场景、伙伴更近”的AI应用新生态。

复旦大学研究团队推出OmniAVS数据集和OISA系统，实现AI对音视频内容的全模态理解和推理。该系统支持8种表达方式的复合指令，能同时处理文字、语音、声音、图片信息，不仅准确识别目标对象还能解释判断过程。在多项测试中表现出色，为智能教学、医疗诊断、安全监控等领域应用奠定基础。

华盛顿大学研究团队成功开发出能够检测重度意识障碍患者大脑活动的"翻译系统"，准确率达89%。该技术通过脑电图和人工智能算法，发现近40%被判定为"植物人"的患者实际仍有意识。系统不仅能诊断意识状态，还能预测康复前景，为患者家庭带来希望，推动了脑机接口技术革命性进展。

中国AI初创公司月之暗面发布开源语言模型Kimi K2，采用万亿参数混合专家架构，在编程和自主代理任务上表现卓越。该模型在SWE-bench等关键基准测试中超越GPT-4，同时提供免费开源版本和低价API服务。Kimi K2具备强大的"代理"能力，能自主使用工具、编写代码并完成复杂多步骤任务，标志着开源AI模型首次在综合能力上追平甚至超越闭源竞品，可能重塑AI行业竞争格局。

爱尔兰都柏林大学研究团队发现了量子机器学习的重要突破：通过Vision Transformer嵌入，量子支持向量机首次在图像识别任务上显著超越传统算法，在Fashion-MNIST上提升8.02%准确率。研究揭示量子优势关键在于选择合适的数据表示方法，而非单纯依赖量子算法。

青岛银行在对公营销数字化转型方面面临多方面的难点和痛点，为解决发展问题，青岛银行全面推进数字化转型战略，打造对公智能营销管理平台——慧营销。

微软研究院推出的"基于最优奖励基线的在策略强化学习"（OPO）算法解决了大语言模型强化学习中的两大问题：训练不稳定和计算效率低。通过严格遵循在策略训练和引入理论最优奖励基线，OPO无需额外的辅助模型或复杂正则化项，就能实现更稳定的训练。在数学推理基准测试中，OPO不仅表现优异，还保持了更低的策略偏移和更高的输出多样性。这项研究证明，有时最有效的解决方案不是增加复杂性，而是回归基础原则并进行深入的理论思考。

软通动力作为昇腾万里认证级应用软件伙伴，基于昇腾AI基础软硬件平台，打造出了AI端云一体化产品（昇腾版）

华东理工大学团队提出I2CR框架，通过"文字优先、视觉辅助"的多轮反思机制解决多模态实体链接难题。该框架模仿人类认知过程，先用文字信息判断，再通过内部一致性检查和跨模态验证，必要时引入OCR、图像描述等视觉线索进行迭代优化。在三大数据集上准确率分别提升3.2%、5.1%、1.6%，达到业界最佳性能。

浙江大学研究团队开发的SVGenius是首个综合评估大语言模型SVG处理能力的基准测试系统。该研究涵盖2,377个测试样例，评估了22种主流AI模型在理解、编辑和生成三个维度上的表现。结果显示，虽然专有模型如Claude和GPT-4o表现最佳，但随着SVG复杂度增加，所有模型性能都明显下降；强化推理训练比单纯扩大模型规模更有效；风格转换是最具挑战性的任务。这一研究为开发更先进的AI辅助设计工具提供了关键见解，有望推动矢量图形技术发展和设计工作流程变革。

这项研究揭示了视觉语言模型在解决视觉文字谜题方面的重大局限性。研究团队通过432个手工注释的谜题数据集，评估了从OpenAI到Google等多家公司的AI模型表现。结果显示，即使最先进的模型在抽象推理、横向思维和理解视觉隐喻方面仍然表现不佳，尤其在识别物体缺失和文化参考上存在显著差距。研究还发现，模型对直接视觉输入的依赖程度很高，特别是推理类模型。这些发现对未来开发更具人类化理解能力的AI系统提供了重要指导。

谷歌DeepMind团队开发出突破性的AI元学习技术，让人工智能首次具备了类似人类的"举一反三"能力。通过结合元学习和神经网络架构自动搜索，AI系统能够快速适应全新任务，仅需传统方法十分之一的训练数据就能达到相似性能。这项技术在医疗诊断、个性化推荐等领域展现出巨大应用潜力，为AI从简单模式识别向真正智能学习的转变奠定了重要基础。

谷歌和AWS此前曾强调他们在机器学习模型方面展开工作，将有助于各国应对世界各地日益频繁发生的环境危机。

训练成本低至惊人！MiniMax 开源Flash Attention机制的 M1 推理模型

Physics Wallah团队开发的Aryabhata 1.0是专为印度JEE数学考试优化的70亿参数AI模型。通过融合三个不同特长的数学模型，使用25万道精选题目进行训练，并采用创新的强化学习技术，Aryabhata在2025年JEE考试中取得86%-90%的准确率。该模型不仅解题精确，更能提供清晰的教学指导，已开源发布，标志着AI教育应用的重要突破。

废钢作为唯一可大量替代铁矿石的战略资源,其回收再利用产生的交易额高达9000亿。

NVIDIA最新发布的HelpSteer3-Preference是一个包含超过4万个样本的开放许可偏好数据集，涵盖STEM、编程和多语言等多样化任务。由专业标注者标注的高质量数据使研究团队训练出在RM-Bench和JudgeBench基准上分别取得82.4%和73.7%准确率的顶尖奖励模型，比现有最佳模型提升约10%。研究还展示了如何利用这些奖励模型通过RLHF对齐大语言模型，在MT Bench和Arena Hard等评估基准上取得显著提升。这个以CC-BY-4.0许可证发布的数据集为开发更好的通用领域指令型语言模型提供了宝贵资源。

印度理工学院团队开发出MPA模型对等对齐器，这是一种革命性的AI训练方法，能让小型视觉语言模型在无需人工标注数据的情况下，通过大模型指导显著提升性能。该技术通过三步法实现知识传递：大模型自动出题答题、精准识别知识差距、针对性强化训练。实验显示小模型性能提升高达15.2%，成本仅为传统方法的几十分之一，为AI技术普及开辟新路径。

难道已经有机器人牙医了吗？还没有……。但是，牙科诊所已经加快了将新兴技术融入常规诊疗的步伐。人工智能也不例外。事实上，人工智能正在显著改变牙科行业。

Meta研究团队开发IGPO算法，创新性地解决了AI大模型学习复杂推理时的"零优势困境"。该算法利用扩散大语言模型的填空能力，在AI模型陷入困境时提供战略性提示引导探索。实验显示在数学推理任务中性能显著提升：GSM8K提升4.9%，Math500提升8.4%，AMC提升9.9%，同时将无效训练情况减少60%，为AI学习方法带来重要突破。