数据作为新生产要素，定价是需要突破的难题，是发挥数据要素驱动作用的关键，需要深入研究。企业数据按照市场原则自主定价在理论和政策上已经取得共识，但在实践上还遇到很多困难，亟需找到突破的方向和路径。本文在研究成本法、市场法和收益法等定价方法的基础上，结合当前企业数据的主要定价方法实践，提出在企业数据市场的初期阶段，基于成本对企业数据定价，是市场参与各方容易接受并能有效促进交易达成的方式。

这份由新加坡国立大学等顶尖学府研究团队发布的调研报告，系统梳理了多模态思维链推理这一前沿AI技术的发展现状。该技术让AI具备了同时处理文字、图像、音频等多种信息并进行逐步推理的能力，在医疗诊断、自动驾驶、智能机器人等领域展现出巨大应用潜力，代表了AI从简单工具向真正智能伙伴进化的重要一步。

容联云发布生成式应用“容犀Copilot”，全国工业和信息化工作会议在京召开，《“数据要素×”三年行动计划（征求意见稿）》发布。

斯坦福大学等顶尖机构联合研发的MegaPortrait技术实现重大突破，首次让单张静态照片生成高质量全身动态视频成为现实。该技术通过创新的AI架构，能够从一张照片中推断人物特征并生成自然流畅的动作和表情，在视频质量、处理速度和身份一致性方面都超越了传统方法，为教育、娱乐、商业等领域带来革命性应用前景。

约翰霍普金斯大学研究团队开发了MMBERT多语言AI模型，采用渐进式学习策略训练超过1800种语言。该模型通过逆向掩码调度和温度采样等创新技术，在多项基准测试中超越XLM-R等现有模型，甚至在部分小语种任务上超过OpenAI o3和Google Gemini。模型运行速度比同类产品快2-4倍，已开源发布。

中科院自动化研究所联合理想汽车等机构首次建立了车载AI的硬件协同设计缩放定律，通过屋顶线建模和帕累托优化，在1942种架构中找到最优配置。在相同推理速度下实现19.42%的性能提升，将架构选择时间从数月缩短至数天，为智能汽车AI部署提供了系统性理论指导。

复旦大学联合多所知名院校开发了GeometryZero模型，通过创新的群体对比策略优化（GCPO）方法，让小尺寸AI模型具备了类似数学专家的几何推理能力。该模型能智能判断何时使用辅助构造工具，在多个几何基准测试中表现优异，为AI教育应用的普及化奠定了基础，展现了专门化训练的巨大潜力。

成均馆大学和NAVER Cloud联合开发的SeaCache技术通过识别AI生成过程中的"频谱进化"规律，设计出智能缓存系统，可让扩散模型生成速度提升近10倍而质量几乎无损。该技术具有即插即用特性，适用于多种图像和视频生成模型，计算开销仅0.4-0.6%，为AI内容创作的实时化应用奠定了基础。

这两家公司，一个是向内拷问人性的AI先锋，一个是向外探索物理极限的AI长跑者，却都将事业锚点，落在漕河泾开发区时，一个题目浮现了：这片土地的科创引力从何而来？

华威大学和牛津大学的研究团队开发了FedPS框架，首次系统性解决联邦学习中的数据预处理难题。该框架通过统计信息聚合实现分布式数据的统一预处理，支持18种预处理方法，包括缩放、编码、变换等，并提供详细的通信成本分析。实验表明，相比本地预处理，FedPS在非均匀数据分布下能显著提升模型性能，最高改进幅度达17%。

微软联合多所知名高校开发了SwS框架，让AI模型能够自主识别学习弱点并生成针对性练习题进行自我改进。该方法在数学推理任务上取得显著效果，7B和32B模型平均性能分别提升10%和7.7%。通过"弱点诊断-针对性出题-强化训练"的三步流程，AI首次实现了真正意义上的自我反思式学习，不依赖外部知识灌输即可持续优化自身能力，为人工智能的自主学习开辟了新道路。

蚂蚁集团与西湖大学联合开发的AWORLD开源框架，通过分布式并行训练将AI助手的练习效率提升14.6倍，成功将Qwen3-32B模型在GAIA测试中的准确率从21.59%提升至32.23%，在最困难任务上甚至超越了GPT-4o等商业AI产品，为"从练习中学习"的AI训练理念提供了实用解决方案。

卢森堡大学研究团队开发的RLDP框架首次将强化学习应用于差分隐私优化，创造性地解决了AI训练中隐私保护与模型效果的矛盾。该方法如同智能教练，能动态调整隐私保护策略，在四种语言模型上实现平均5.6%的性能提升和71%的训练时间缩短，同时增强了抗隐私攻击能力，为敏感数据的AI应用开辟了新路径。

在AI圈子里，大家或许听到过这样的话术，“AI创新既是一场马拉松，也是一场短跑”，此时此刻我在AMD Advancing AI这场关乎未来AI计算格局的会上，脑中多次浮现出这句话。

在AI圈子里，大家或许听到过这样的话术，“AI创新既是一场马拉松，也是一场短跑”，此时此刻我在AMD Advancing AI这场关乎未来AI计算格局的会上，脑中多次浮现出这句话。

Writer公司研究团队通过FailSafeQA基准测试发现，即使最先进的AI模型在处理金融查询时也存在严重可靠性问题。测试涵盖24个模型，发现最优秀的系统仍有41%概率在信息不足时编造答案。该研究创新性地评估了AI系统在面对拼写错误、文档缺失、OCR错误等真实场景时的表现，揭示了当前AI技术在关键应用中的风险，为金融等行业的AI部署提供了重要安全参考。

伊利诺伊大学研究团队开发了GenoMAS，一个由6个专业AI智能体组成的基因表达分析系统，能像科研团队一样协作编程解决复杂生物信息学问题。该系统通过引导式规划框架平衡结构与灵活性，在GenoTEX基准测试中实现89.13%预处理准确率和60.48%基因识别F1分数，分别比先前最佳方法提升10.61%和16.85%，同时降低44.7%计算成本，代表了科学计算自动化的重要突破。

保加利亚研究团队通过创新的双语训练方法，成功让AI模型学会了在非英语环境下使用外部工具。他们开发的TUCAN模型在保加利亚语功能调用任务上实现了显著提升，小模型改进幅度达28.75%。更重要的是，团队开源了完整的方法论，为全球多语言AI工具使用能力的发展提供了可复制的解决方案。

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。

摩根大通AI研究团队开发了QueryBandits系统，通过智能改写问题来减少大语言模型的幻觉现象。该系统分析17个语言特征，自动选择最适合的改写策略，在13个测试数据集上实现了87.5%的改进效果，比静态改写方法高出42.6%-60.3%，为AI交互优化开辟了新方向。