Mistral AI首次推出推理模型Magistral，采用纯强化学习训练让AI学会深度思考。该模型在数学推理能力上提升近50%，能够展示完整思考过程，并意外获得多模态推理能力提升。研究团队开源了Magistral Small模型，为AI推理能力发展开辟新路径，证明了强化学习在培养AI思维能力方面的巨大潜力。

MIT研究团队开发出突破性的音频驱动视觉重建技术，让AI仅通过声音就能重建完整视觉场景并进行智能对话。该系统在场景识别上达到87%准确率，能够从复杂音频中提取空间布局、物体位置等视觉信息。这项技术将为视觉障碍人士、智能家居、自动驾驶等领域带来革命性应用，代表了多模态人工智能发展的重要里程碑。

中医听到这个词你的第一印象是什么？年逾古稀的坐堂老中医？五花八门药材组成的药方？有木有第一印象是苦味的？

这篇研究介绍了一种名为YAQA(Yet Another Quantization Algorithm)的训练后量化技术，由康奈尔大学研究团队开发。与传统方法不同，YAQA不仅关注局部激活误差，而是考虑整个模型的KL散度，通过Kronecker分解的Hessian矩阵估计来实现更精准的参数量化。实验表明，YAQA能将模型与原始版本的KL散度降低约30%，同时在下游任务上实现最先进性能，为大型语言模型的高效部署提供了新方案。

Meta研究员Jack Morris成功将OpenAI的gpt-oss-20B模型逆向工程为基础版本，去除了推理行为和安全对齐限制。通过在三个层面应用LoRA技术，仅训练0.3%的参数，就恢复了模型的原始文本生成能力。新模型响应更快、更自由，但也带来安全风险。这项工作展示了开源模型发布后如何被快速改造，为研究偏见、记忆化等问题提供了新工具。

这项由13家国际研究机构联合开发的研究介绍了Maya——一个突破性的多语言视觉AI模型。Maya能够用8种语言理解和描述图片内容，包括理解不同文化背景的视觉概念。研究团队通过创新的数据构建方法，将55万个英文样本扩展为440万个高质量多语言样本，并采用两阶段训练策略。Maya在多语言基准测试中表现优异，特别是在阿拉伯语等复杂语言上超越了同类模型，为教育、医疗、旅游等领域的全球化应用开辟了新路径。

戴尔Storage SC7020与Storage SC5020全闪存存储系统，不仅整合了闪存特有的高性能与低延时特性，重新研发了适用于闪存系统的自动分层存储功能、精简快照、无损性能的数据压缩与重复数据消除，以及保证业务连续性的Live Volume等功能

马克斯·普朗克研究所推出GPTailor技术，通过多模型智能融合实现大语言模型25%参数削减的同时保持97%性能，为AI模型高效部署提供新思路。该方法将模型压缩从单一模型"减法"转变为多专业模型"重组融合"，在14项基准测试中显著优于传统压缩方法。

由于排放法规的实施迫使汽车制造商寻求有效降低汽车碳排放量的方法，因此当今许多汽车及其内燃机正在面临转型。

Cosmos能从数据整合、训练再到定制各个开发阶段的，大规模模拟、构建物理世界的基础模型，同时支持自定义微调。

IBM Research AI硬件中心铺开了自己的积极探索计划，不仅致力于提升原始性能，还在着力提升能源效率、模型可扩展性、新应用领域、安全性与可解释性等。

一走进LG的“Style Station”，我一脸懵逼，给虚拟化的人物穿上不同样式的衣服，这不就是小时候玩的“换装游戏”吗?

目前，研究人员们正在探索和研究为什么计算机无法解析某些特定图像。

小米团队开发的MiMo-7B模型证明了AI领域"小而精"路线的可行性。这个仅有70亿参数的模型通过创新的预训练数据处理、三阶段训练策略和强化学习优化，在数学推理和编程任务上超越了320亿参数的大模型，甚至在某些指标上击败OpenAI o1-mini。研究团队还开发了高效的训练基础设施，将训练速度提升2.29倍。该成果已完全开源，为AI民主化发展提供了新思路。

浪潮云携手合作伙伴和开发者进行的一系列有力举措，推出的大量免费产品功能和平台服务正在助力许多中小企业打赢这场特殊的“生存攻坚战”，这是浪潮所诠释的“担当和责任”，同时也体现了浪潮云与所有同胞同舟共济，共克时艰的决心。

本次测试中，MX7000机箱配备了3个MX740c计算托架和一个MX5016s存储托架。StorageReview对一个MX740c节点的性能进行了评测，该节点配备了2个16核的英特尔®至强®金牌6130处理器以及6个NVMeSSD。

近日，英特尔宣布与蒙特利尔学习算法研究所（Montreal Institute of Learning Algorithms，Mila）展开为期三年的战略研究与创新合作，来自双方的20余名研究人员将专注于开发先进的AI技术，用于应对气候变化、材料研发和数字生物学等领域的全球性挑战。

纵观人类发展史，我们从未像今天这样受益于人工智能的迅猛进步。

UCLA计算机科学系研究团队提出的"自适应并行解码"(APD)方法，成功解决了扩散大语言模型面临的速度与质量权衡难题。该方法通过动态调整并行生成的词数，结合一个小型辅助自回归模型来评估生成质量，并引入KV缓存和掩码输入限制等优化措施，使扩散模型能在保持高质量输出的同时显著提升生成速度。实验表明，使用APD的Dream 7B模型不仅能达到每秒59个词的吞吐量（比基线提升近6倍），还在数学推理等任务上保持了接近原始水平的准确率，甚至超越了传统自回归模型的速度。

这款全新AIU芯片是IBM研究院AI硬件中心投入五年开发出的成果。AI硬件中心专注于开发下一代芯片与AI系统，计划每年将AI硬件效率提升2.5倍，并希望在十年间（2019年至2029年）将AI模型的训练和运行速度拉高1000倍。