中科院团队开发的BridgeVLA系统实现了机器人学习的重大突破，仅需3次演示就能让机器人掌握复杂操作技能，成功率达96.8%。该系统通过巧妙的输入输出对齐设计和创新的预训练策略，让机器人能够真正理解三维空间和语言指令，为智能机器人的普及应用奠定了重要基础。

北京大学研究团队提出"弱到强解码"创新框架，让小型礼貌模型为大语言模型提供良好开头，解决AI道德对齐难题。该方法在保持专业能力的同时显著提升安全性，避免传统微调的性能损失，为低资源环境下的AI对齐提供了经济高效的解决方案，展现了巧妙协作胜过单纯扩大模型规模的设计智慧。

深圳大学、腾讯等机构联合提出ReDit方法，通过在离散奖励信号中添加随机噪音解决AI训练中的梯度不稳定问题。该方法将学习速度提升约10倍，在数学推理等任务上显著改善模型性能，为大语言模型训练提供了简洁高效的优化方案。

机器会不会就此爆发，迅速脱离人类的掌控？

Atla公司发布Selene Mini，这是一个仅有80亿参数的AI评估模型，却在11个基准测试中全面超越GPT-4o-mini。通过精心的数据筛选和创新训练策略，该模型不仅能准确评判文本质量，还能在医疗、金融等专业领域表现出色。研究团队将模型完全开源，为AI评估技术的普及和发展做出贡献。

明灯科技团队开发了名为Mano的智能GUI助手系统，能够像人一样"看懂"电脑界面并自动执行复杂操作任务。该系统采用三阶段训练方法，结合基础技能培训、策略优化和实战适应，在Mind2Web和OSWorld测试中取得显著性能提升。系统还包含智能数据采集、验证和身份认证等辅助模块，通过持续学习机制不断自我改进，为GUI自动化领域带来重要突破。

密歇根大学研究团队首次破解AI编程语言选择机制，开发出G-ACT智能控制系统。该技术能精确引导AI选择C++等高性能语言，解决科学计算中AI语言偏好不当问题。实验显示控制准确率提升15%，为构建可靠AI智能体奠定基础。这项发表于2025年6月的研究标志着从"训练AI"向"控制AI"的重要转变。

武汉大学研究团队提出了FRANK模型，一种无需训练的方法，能让视觉语言大模型获得推理和反思能力。研究发现多模态模型中，浅层解码器负责视觉理解，深层负责文本推理，据此设计了一种层次化权重合并策略，将视觉模型与推理模型智能融合。他们通过泰勒展开推导出闭式融合权重公式，并引入注意力引导的指数衰减先验，使模型既保留视觉感知又获得推理能力。实验显示FRANK-38B在MMMU测试中达到69.2%准确率，超越GPT-4o，且展现出卓越的自我纠错能力，为多模态AI提供了无需昂贵训练的新途径。

沙特KAUST大学团队开发了专门针对阿拉伯语的AI模型家族"Hala"，通过创新的"翻译再调优"技术路线，将高质量英语指令数据转化为450万规模的阿拉伯语语料库，训练出350M到9B参数的多个模型。在阿拉伯语专项测试中，Hala在同规模模型中表现最佳，证明了语言专门化策略的有效性，为阿拉伯语AI发展和其他语言的专门化模型提供了可复制的技术方案。

中美研究团队发现AI使用工具后会出现"思维混乱"现象，提出ARPO训练方法，让AI学会在困惑时智能探索、清晰时高效执行。该方法在13个复杂任务上全面胜出，工具使用效率提升一倍，为构建更智能的AI助手奠定基础。

“开源软件竞争力”，正成为企业的核心关注焦点。但不妨放大了看，不仅仅是因为开源软件吞噬了世界，开源的理念，也正在深入每一家企业、每一个组织，让其具有强大的开放力、创造力和成长动力。

阿里巴巴达摩院联合南洋理工大学的研究团队发现，当前AI模型在几何推理中频繁出错的根本原因是视觉感知能力不足。他们提出了分阶段训练框架，先强化AI的基础视觉感知能力，再进行复杂推理训练。实验显示，这种方法使3B参数模型在几何推理任务上准确率提升9.7%，接近GPT-4o的表现水平，为AI视觉理解能力提升提供了新思路。

MIT研究团队开发的调制掺杂技术首次在硬件层面解决了AI芯片的"灾难性遗忘"难题。该技术通过在忆阻器中加入特殊掺杂原子，创造双层记忆系统，让AI芯片能像人脑一样持续学习而不遗忘旧技能。测试显示，该技术让AI对原任务的准确率保持在85%以上，同时减少70%的训练能耗。这项发表于《自然电子学》的研究将为智能手机、自动驾驶汽车等设备带来革命性改进，预计三到五年内实现商业化应用。

麻省大学团队开发PatchInstruct方法，通过"补丁分解"技术让大型语言模型无需重新训练即可准确预测时间序列数据。该方法在天气和交通预测中表现优异，短期预测误差降低85%，速度提升100-500倍，为实时预测应用提供了轻量级、高效的解决方案，展现了通用AI适应专门任务的新可能。

OpenAI团队的最新研究揭示了大语言模型产生幻觉的根本原因：AI就像面临难题的学生，宁愿猜测也不愿承认无知。研究发现，即使训练数据完全正确，统计学原理也会导致AI产生错误信息。更重要的是，现有评估体系惩罚不确定性表达，鼓励AI进行猜测。研究提出了显式置信度目标等解决方案，通过改革评估标准让AI学会诚实地说"不知道"，为构建更可信的AI系统指明方向。

清华大学团队利用扩散模型革新自动驾驶3D感知技术，通过生成式建模取代传统判别式方法，让AI系统具备类人想象推理能力。该方法在遮挡区域预测准确率提升15%，并显著改善下游规划任务性能，为自动驾驶向更智能安全方向发展提供重要技术突破。

浙江大学和阿里巴巴团队开发Memp框架，为智能体构建程序性记忆能力。该系统通过构建、检索、更新三个模块，让智能体从过往经验中学习，显著提升任务成功率50%，执行效率提升一半。更重要的是，强模型的记忆可传递给弱模型，实现经验共享。这项研究为构建具有持续学习能力的智能系统开辟新路径。

这项研究揭示了大型语言模型（LLMs）偏好决策的内在机制。以色列理工学院和IBM研究院的团队开发了一种自动化方法，不需人工预设即可发现和解释影响AI判断的关键概念。研究横跨八个领域（从一般问答到安全评估），分析了12种偏好机制，发现人类评判者重视权威性和清晰度，而AI评判更关注事实准确性。他们提出的层次多领域回归模型不仅能准确预测偏好，还能清晰解释判断过程，为构建更透明、更符合人类价值观的AI系统提供了新途径。

国立台湾大学等机构开发的MuseControlLite技术实现了音乐AI的重大突破。该系统仅用8500万参数就达到61.1%的旋律控制精度，比现有方法减少6.75倍参数量却性能更优。通过创新的位置编码和解耦交叉注意力机制，系统能同时处理文字、音乐属性和音频信号的多重控制，支持音乐生成、修复和风格迁移等功能，为音乐创作民主化开辟新道路。

斯坦福大学研究团队开发出能在《Among Us》游戏中进行类人交流和推理的AI系统。该研究突破了传统AI训练方法，让AI学会"听"和"说"两项核心技能：通过理解他人发言更新认知，以及提供有价值信息帮助队友。训练后的15亿参数AI胜率达60%，超越70亿参数模型，展现出直接指控、提供证据等人性化行为，为AI社会智能发展开辟新路径。