ByteDance智能创作实验室发布的Phantom-Data是首个大规模跨情境主体一致性视频生成数据集，包含约100万个身份一致配对样本。该数据集通过创新的三阶段构建管道，从5300万视频和30亿图像中精选高质量跨场景配对，有效解决AI视频生成中的"复制粘贴"问题，显著提升文本遵循能力和视觉质量。

阿里巴巴团队开发的Lumos-1系统实现了统一架构的AI视频生成突破，通过创新的MM-RoPE三维位置编码和AR-DF训练策略，仅用48块GPU就达到了业界顶尖水平。该系统能够用同一个"大脑"同时处理文字和视频，为AI多媒体生成开辟了新的技术路径。

在漫长的职业生涯中，McKeown一直倡导让网络设计适应英特尔的计算引擎与网络引擎。只有保证了这个前提，才能让研发工作顺风顺水、最终成果匹配需求。

这项来自加州大学戴维斯分校和俄亥俄州立大学的研究探讨了多模态AI训练的一个重要问题：让AI同时学会处理文字、图像、视频等多种信息类型时，是否会影响其原有的语言能力？研究发现，扩展模态确实存在能力权衡，模型合并技术比全模态同步训练更有效，为AI发展提供了重要启示。

今天我们先来探讨一下2019年科技和产业创新的新趋势。

国家数据局强调数据的基础资源作用和创新引擎作用，推动数字经济发展。北京市作为数字经济发展的重点，将探索数据“三权”分置制度、数据流通交易、数据基础设施建设等。国家数据局将推进数据基础设施建设，促进数据合规高效流通使用，赋能实体经济。数据基础设施是数字经济时代关键生产要素的基础设施，包括网络、算力、数据流通设施等。国家数据局还将推动公共数据资源开发利用，激活数据要素价值，加快构建全国一体化算力网，推动数字基础设施建设高质量发展。

在2018亿欧创新者年会下午，好享家CEO汪浩、小黑鱼科技联合创始人兼CMO陈福炜、新潮传媒创始人兼董事长张继学、亿欧公司副总裁李双就《企业如何服务美好生活？》做圆桌讨论。

美团研究团队推出突破性GUI操作AI系统UItron，能够像人类一样理解屏幕内容并自动执行复杂操作任务。该系统采用三段式训练方法，在多项标准测试中表现卓越，特别是在中文应用场景下达到54.1%的任务成功率，显著超越其他同类系统。研究团队收集了超过一百万步中文应用操作数据，为GUI代理在中文环境的实际应用奠定了基础。

清华大学和上海人工智能实验室联合开发的AutoMat是一个突破性工具，能自动将电子显微镜图像转换为精确的晶体结构模型并预测材料性质。系统整合了模式自适应降噪、物理引导模板匹配、对称感知结构重建和机器学习性质预测四大模块，由大语言模型代理协调运行。在自创的STEM2Mat-Bench基准测试中，AutoMat远超现有多模态大语言模型，为桥接显微镜成像与原子模拟提供了自动化解决方案，显著加速了材料科学研究流程。

RAVENEA是哥本哈根大学研究团队开发的首个多模态检索增强视觉文化理解基准，集成了超过10,000份人工标注的维基百科文档，用于评估视觉语言模型的文化敏感性。研究发现，轻量级视觉模型在配备文化感知检索功能后，在文化视觉问答和图像描述任务上分别提升了至少3.2%和6.2%的性能，证明了检索增强方法在提升AI文化理解能力方面的有效性，为构建更具文化包容性的视觉AI系统开辟了新路径。

腾讯混元等机构联合提出PREF-GRPO方法，首次采用成对偏好比较替代传统评分，成功解决AI图像生成中的奖励欺骗问题。同时构建UNIGENBENCH评测基准，包含600测试案例和27个细粒度评价维度，为行业提供更精确的模型评估标准。实验显示新方法在多项指标上显著优于传统方法，特别在复杂任务上提升明显。

RoboMemory是中科大等机构联合开发的仿生机器人记忆框架，模仿人脑构建四重记忆系统，让机器人具备终身学习能力。在标准测试中超越当前最先进模型5个百分点，真实环境测试显示机器人重复任务成功率提升75%。该框架解决了传统机器人"健忘"问题，为智能机器人发展奠定重要基础。

微软推出的Phi-4-Mini-Reasoning模型仅用38亿参数就在数学推理任务上击败了70-80亿参数的竞争对手。通过创新的四阶段训练方法（大规模中期训练、监督精调、回滚偏好学习、强化学习），该模型在AIME24、MATH-500等测试中表现卓越。这项研究证明了"精巧胜于庞大"的AI设计理念，为资源受限环境下的高性能AI应用开辟了新路径，在教育、科研等领域具有广阔应用前景。

Meta AI团队开发出STEPWISER系统，让AI模型学会像资深评委一样分析和评判推理步骤质量。该方法通过强化学习训练，让AI先进行深度分析再给出判断，在ProcessBench测试中准确率相比传统方法提升32-56%。STEPWISER还能通过"块重置推理"策略实时纠错，提高推理准确率10-18%，为构建更可靠的AI推理系统提供了重要突破。

密歇根大学研究团队提出AimBot技术，通过在机器人视觉系统中添加类似瞄准镜的射击线和十字准星，显著提升机械臂操作精度。该技术计算效率极高（不到1毫秒），无需修改现有模型架构，在仿真和真实环境测试中都带来显著性能提升，特别是在复杂长期任务中成功率提升5-6个百分点。技术具有良好的环境适应性，为制造业、医疗、家庭服务等领域的机器人应用提供了重要技术支撑。

“用智能，开启无限可能。”

ByteDance与南洋理工大学联合开发的MMSearch-R1是首个端到端多模态搜索强化学习框架，让AI学会了"按需搜索"——知道何时依靠内在知识、何时主动搜索外部信息。该系统整合图像和文本搜索工具，通过精心设计的奖励机制训练AI的搜索判断力，在知识密集型任务中准确率超越同规模基线3%，搜索调用减少30%以上，为构建更智能可靠的AI助手开辟了新道路。

斯坦福大学人工智能实验室团队在2015年发表的突破性研究，首次实现了让计算机像人类一样"看图说话"的能力。他们通过创新的注意力机制，让视觉识别系统和语言生成系统能够智能协作，不仅准确识别图像内容，还能生成自然流畅的文字描述，为视障辅助、内容创作、医疗影像分析等领域开辟了广阔应用前景，标志着人工智能向真正理解视觉世界迈出重要一步。

今年7月2号，「幻核」暂停了售卖服务，7月下旬，腾讯计划关停「幻核」的消息刷爆了数藏圈。

这项由希伯来大学、IBM研究院和耶鲁大学联合完成的综合性研究，首次系统梳理了大语言模型智能代理评估领域的完整现状，涵盖基础能力评估、应用场景测试、通用能力考量和开发框架四大维度，为这个快速发展的领域绘制了详细地图，并指出了向现实化、动态化、细粒度评估发展的重要趋势。