阿里团队开发的FantasyPortrait系统突破了传统人像动画的局限，通过隐式表情表示和掩码交叉注意力机制，实现了高质量的单人和多人肖像动画生成，特别在跨身份表情迁移方面表现出色，为视频制作和虚拟交流等领域带来新的技术可能性。

斯科尔科沃科技学院研究团队通过对四个主要AI模型进行地缘政治偏见测试，发现这些系统在评价美国、英国、苏联和中国相关历史事件时表现出明显的国家立场偏好。研究涉及109个历史事件的多角度分析，结果显示几乎所有AI都偏向美国观点，且简单的去偏见提示效果有限。该研究揭示了AI系统的可操控性和偏见的跨语言一致性，为AI公平性和透明度治理提供了重要参考。

这项由斯坦福大学和多家研究机构联合推出的R3（强健的无评分标准奖励模型）系统，解决了现有AI评估模型在可控性与可解释性方面的关键缺陷。不同于仅提供分数的传统模型，R3能适应任何评分标准，支持单项评分、对比评分和二元评分三种评估形式，并提供详细解释。研究团队从45个来源构建了高质量数据集，即使仅用14,000个训练样本，R3模型也在众多基准测试中超越了现有系统。这一突破性研究为AI系统提供了更透明、更可信的评估方式，有望显著改善人类与AI的互动体验。

使命召唤是一款由美国动视暴雪（Activision Blizzard）有限公司开发的第一人称角色扮演射击类视频游戏，10月25日，该系列游戏最新版本《使命召唤16：现代战争》，Call of Duty®: Modern Warfare®，下文也称COD16）开始全球解锁发售，售价约60美元。

VisTA是一种新型强化学习框架，使视觉AI能够自主探索、选择和组合多种视觉工具。与传统方法不同，VisTA无需人工监督，通过反复尝试学习哪些工具最有效。研究团队在ChartQA、Geometry3K等测试中证明，VisTA显著优于训练免费基线，特别是在分布外样本上表现更佳。其核心创新在于使用群体相对策略优化算法，让AI代理能够根据实际性能而非预设规则来选择工具，为未来发展更灵活的视觉推理系统铺平了道路。

说到底，这项由爱丁堡大学埃洛伊丝·克雷文博士领导的研究为我们打开了一扇通往过去的神奇之门。通过从北极永久冻土中提取和分析古老的DNA片段，研究团队成功重建了北极地区几千年来的植被变化历史，揭示了植物群落对气候变化的复杂响应模式。

想象一下航海时代的探险家们，他们在茫茫大海上航行时，依靠天空中的星辰来指引方向。同样，当今的大型语言模型也需要某种"指引之星"帮助它们朝着正确的方向发展。这个指引之星，就是研究人员所说的"奖励信号"。

以色列理工学院研究团队开发出一种新颖的AI推理改进方法，通过训练专用的"继续思考"标记，让AI模型在解题时能够进行更深入的思考。该方法只需训练单个标记的嵌入向量，保持模型其他参数不变，在数学推理任务中展现出显著效果，准确率提升幅度达到传统方法的三倍以上，为AI推理能力提升提供了高效且通用的解决方案。

腾讯ARC实验室推出AudioStory系统，首次实现AI根据复杂指令创作完整长篇音频故事。该系统结合大语言模型的叙事推理能力与音频生成技术，通过交错式推理生成、解耦桥接机制和渐进式训练，能够将复杂指令分解为连续音频场景并保持整体连贯性。在AudioStory-10K基准测试中表现优异，为AI音频创作开辟新方向。

Spotify研究团队通过系统性实验发现，传统为搜索或推荐任务单独优化的语义身份证在统一系统中存在严重的性能冲突。他们提出的多任务训练方法能够同时学习查询匹配和用户行为预测，为每个物品生成既适合搜索又适合推荐的统一身份证，在两个任务中都达到良好平衡效果，为构建下一代生成式推荐系统提供了重要技术路径。

NAVER和KAIST研究团队发现，先进AI模型在数学题自我修正方面存在严重缺陷。他们创建的MMRefine基准测试揭示，即使是GPT-4O等顶级模型也只能成功修正约23%的错误答案，而且经常将正确答案改错。研究发现不同模型在处理六种错误类型时表现差异巨大，特别是小型模型在空间推理修正上竟然超越了大型模型，颠覆了"越大越好"的认知。

希伯来大学研究团队开发出MV-RAG系统，首次解决了AI在生成稀有物品3D模型时的"胡编乱造"问题。该系统像拥有图像记忆库的艺术家，能先搜索相关真实照片再生成准确3D视图。通过独创的混合训练策略和智能自适应机制，MV-RAG在处理罕见概念时性能显著超越现有方法，为游戏开发、影视制作、虚拟现实等领域提供了强大工具。

数字化时代，你心目中的财务共享中心是什么样的？财务核算中心？标准化流程中心？实现集中办公？如果您对财务共享的印象仅止于此——那么，恭喜你！你OUT了！

这是首个系统性探索跨视角协作智能的综合性研究，由南京大学、东京大学等顶尖机构联合完成。研究团队首次将"第一人称视角"与"第三人称视角"的协作应用进行了全面梳理，提出了三大技术方向和十三个关键任务，涵盖从智能厨房到手术机器人的八大应用场景。这项突破性工作为人工智能向人类认知迈进提供了重要的技术路径和理论基础。

康奈尔大学研究团队提出了"价值引导搜索"方法，通过训练标记级价值模型来优化大型语言模型的推理过程。他们收集了250万个数学推理轨迹，训练了15亿参数的评估模型，实现了基于块的高效搜索。这种方法不需要预定义"步骤"概念，也无需昂贵的每步标注。在四个数学竞赛基准测试中，该方法使DeepSeek-1.5B模型达到了45.7%的平均准确率，与更大模型相当，同时显著减少了计算资源需求。研究团队开源了数据集、模型和代码，为高效人工智能推理提供了新范式。

这项研究揭示了大语言模型推理中的一个重要问题：数值精度会显著影响结果的可重现性。研究团队发现，即使使用相同设置，不同硬件配置下模型输出可能截然不同，准确率差异可达9%。他们提出了LayerCast解决方案，在保持内存效率的同时提供高精度计算，为AI研究的可重现性提供了实用工具。

春季新品发布会上，戴尔科技从底层技术到终端应用的全方位创新得到了全面展示！

谷歌DeepMind联合多家顶尖机构推出RT-X系统，这是首个具备类人学习迁移能力的通用机器人AI。通过整合22个研究机构的50万次操作数据，RT-X能够像人类一样将已学技能灵活应用到新环境，成功率比传统方法提高50%以上，展现出跨领域适应和创造性解决问题的能力，为机器人智能化发展开辟了全新道路。

上海交通大学研究团队发现扩散式大语言模型存在严重安全漏洞，其开发的DIJA攻击方法能以接近100%成功率绕过AI安全防护，诱导模型生成危险内容。该攻击利用扩散模型的双向建模和并行解码特性，通过插入掩码标记让AI误以为是填空练习，从而规避安全检查。现有防护措施对此类攻击几乎无效，凸显了新兴AI架构安全评估的紧迫性。

斯坦福大学研究团队开发出革命性AI系统，能够通过分析大脑活动以85%准确率解码人类语言理解过程。研究绘制了包含万余词汇的"大脑词典"，揭示语言处理的层次化神经机制，发现大脑存在专门的预测网络和语义枢纽。该技术为治疗失语症、改进教育评估、开发智能AI系统开辟新路径，虽面临个体差异和实时处理等挑战，但已开始临床测试应用。