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。

他们不同于以往叙事中继承父辈产业的“厂二代”，他们中的许多人是典型的“跨境创一代”。

最近一段时间，国家在大力号召节约粮食，而勤俭节约正是中华民族的传统美德，从普遍意义上说，节约粮食既是尊重农民的辛苦劳动，也给我们增加了未来面对不可知风险的底气。

Meta AI团队联合MIT等机构开发的MetaCLIP 2系统，首次实现了真正的全球化AI视觉理解。该系统支持300多种语言，不仅突破了传统多语言AI的"诅咒"问题，还让英语性能提升0.8%，在多项国际测试中创下新纪录。通过创新的训练策略和开源架构，为构建真正服务全人类的AI技术奠定了基础。

澳洲国立大学团队开发的Motion Anything系统实现了AI动作生成的重大突破，能够根据文字、音乐或两者组合自动生成逼真的人体动作。该系统采用创新的注意力引导遮罩策略和双重变换器架构，在多个基准测试中显著超越现有方法，并创建了包含2153组数据的TMD数据集。这项技术为影视制作、游戏开发和虚拟现实等领域带来新的可能性。

针对老年群体的社交机器人早已存在，但如今的最新版本已经能够记录、聆听甚至做出回应。

这篇研究介绍了CSVQA，一个专为评估视觉语言模型在STEM领域推理能力的中文多模态基准测试。该数据集包含1,378道涵盖物理、化学、生物和数学的问题，每题都要求模型分析科学图表并进行专业推理。实验评估了15种VLM，结果显示即使最强大的模型o1也仅达到49.6%的准确率，揭示了当前AI在科学推理方面的明显局限。研究还发现模型在不同学科表现不一，思维链提示效果因模型而异，为未来改进指明了方向。

由联想拯救者、AIGC开放社区、英特尔联合主办的“AI生成未来·第二届拯救者杯OPENAIGC开发者大赛”自上线以来吸引了广大开发爱好者的积极参与。

慕尼黑大学研究团队发现当前多模态AI存在"视觉盲区"问题，在学习时过度依赖文字而忽视图像信息。他们开发的DARA技术能够动态调节AI的注意力分配，用约100个参数实现10%性能提升，并创建了TrueMICL数据集来准确评估真正的多模态学习能力。该研究为多模态AI的发展指明了新方向。

如果把游戏看成一辆赛车，那么，游戏开发在其中扮演着至关重要的发动机角色，控制着玩家所感知到的剧情、关卡、实时社交沟通、版本更新、兼容和性能等问题。

联邦存储功能是在一个管理界面下管理多套不同型号的SC存储系统，从而进行集中维护、配置等日常工作。既可以保证整体统一，又可以保证给予各组成单位灵活度。

微软研究院开发的VisCodex实现了多模态AI的重要突破，通过创新的模型融合技术让AI同时具备视觉理解和编程能力。该系统采用任务向量融合方法，将视觉语言模型与编程模型巧妙结合，并构建了包含59.8万样本的多模态编程数据集。测试显示其性能已接近GPT-4o水平，为未来的智能编程辅助和低代码开发提供了新的可能性。

几位前微软工程师和高管已经推出了一种新型的跨云多语言开发框架，名为Pulumi。

Ballistic Ventures 正准备为新基金筹集 1 亿美元。这家由 Ted Schlein 共同创立的风险投资公司专注于网络安全初创企业，采取积极的投资策略。尽管网络安全领域的风险投资有所增长，但 Ballistic 仍在寻求进一步扩大其影响力。

每一个公司都将成为「机器学习」公司。

数字化转型对许多公司来说至关重要，但在实施过程中常常出现误区。本文总结了7个常见错误,包括将转型视为纯技术问题、过度依赖第三方、强制推行变革、忽视长远规划等,并提出了相应的解决方案。文章强调,成功的数字化转型需要技术与组织变革并重,重视人的因素,制定全面战略,加强沟通,培养内部技能等。IT部门应成为业务伙伴,参与制定战略,理解业务需求,推动整体转型。

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。

沃尔玛CIO Johnson认为，IT部门当前的工作重点是借助AI为IT建立产品模型，完善不同产品领域的端到端服务，并提升一部分产品的过程自动化功能。为此，在他上任后第一时间整合了内部技术和共享服务团队，为业务流程提供所需的技术和服务支持。

人工智能有助于解决进化研究当中最古老的谜题之一，但同时又给我们带来更多新的困惑。

上海交通大学研究团队开发了SWE-Debate框架，通过让多个AI代理进行结构化辩论来解决软件bug问题。该方法首先构建代码依赖图谱生成故障传播路径，然后组织AI代理进行三轮辩论选择最优修复方案。实验显示问题解决成功率达41.4%，故障定位准确率提升14.67%，证明了多智能体协作在复杂软件问题解决中的优势。