亚马逊正在重塑其旗舰语音助手 Alexa，通过整合 AI 代理、模型混合和浏览器操作能力，打造更智能的 Alexa+。新版本不仅可以主动提供个性化信息，还能理解复杂指令并完成多步骤任务。亚马逊希望通过这种创新方式，让 Alexa 成为更强大、更智能的家庭语音助手。

戴尔科技集团全球执行副总裁、大中华区总裁黄陈宏认为，新基建有“四新”，依靠新技术，特别是信息技术、大数据技术，激发新需求、创造新模式，新基建需要新人才，新基建需要新的PPP模式。

洞见科技正是隐私计算领域的领军力量之一。

也许每个人都记得曾经反复购买Fleetwood Mac乐队《Rumors》专辑的日子，黑胶唱片、盒式磁带、CD、迷你光盘和数字下载，这些形式的不断变化证明音乐行业一直在不断地发展，而这种发展通常是以粉丝作为代价。

这篇研究介绍了KVzip，一种创新的查询无关KV缓存压缩方法，通过上下文重建机制为大型语言模型提供高效存储解决方案。该技术能将KV缓存大小减少394倍，同时提高解码速度约2倍，在各种任务上性能几乎不受影响。不同于传统查询相关的压缩方法，KVzip创建可在多种查询场景下重用的通用压缩缓存，特别适合个性化AI助手和企业信息检索系统。研究在LLaMA3.1-8B、Qwen2.5-14B和Gemma3-12B等多种模型上进行了验证，处理长度高达17万词元的文本，并能与KV缓存量化等其他优化技术无缝集成。

加州大学伯克利分校、MIT和斯坦福联合研发的SVG2技术通过语义感知排列实现了视频生成的重大加速。该方法巧妙解决了现有稀疏注意力机制中的两大瓶颈：识别不准确和计算浪费。通过k-means聚类对像素按语义特性分组并重排，SVG2在保持高质量的同时将生成速度提升至2.3倍，使原本需30分钟的视频生成缩短至13分钟，为实用化AI视频创作铺平了道路。

日本奈良先端科学技术大学院大学研究团队提出SeqPE方法，突破传统AI位置编码局限。该方法像教AI"数数"一样处理位置信息，支持任意长度文本和图像处理。通过序列化表示和两个训练辅助器，SeqPE在语言建模、问答和图像分类中显著超越现有方法，为通用AI系统发展奠定重要基础。

Yale大学等机构联合开发的Agent KB系统让AI助手们能够像人类一样分享经验和知识，通过"师生协作"模式和跨领域知识迁移，在GAIA和SWE-bench基准测试中取得了显著的性能提升，其中最困难任务的成功率提升了近20个百分点，为AI发展开辟了"集体智慧"的新范式。

本文详细介绍了如何通过 ChatGPT 等 AI 工具构建并优化个人简历，包括资料整合、格式调整和改进建议，帮助求职者在激烈竞争中突出优势。

想象一下，如果传统AI模型是一辆可以载你去任何地方的汽车，那么这些新的"思维模型"就像是既能当汽车用，又可以变身为越野车的变形金刚。在平坦道路上，它们像普通汽车一样高效运行；遇到复杂地形，它们就能切换到更强大的思维模式，慢慢思考并解决困难问题。英伟达的这项技术突破正是要让这种转换变得更加自然、高效。

作为国内云原生领域的标杆会议之一，CNBPS2020聚焦云原生最佳实践，汇聚最新云原生技术趋势和最全云原生技术栈。

公司客户多了，业务量上去了，数据却爆炸了。我们一方面想把数据都存起来，同时剔除重复内容节省空间，另一方面希望能够随时访问这些资料，时不时搞个搜索分析，最好能同位迁移到云端。最重要的是，要是具备应付突发灾难的能力，丢了文件什么的也能立马恢复。

谷歌DeepMind研究团队发现AI系统能够自发学会组合泛化能力，即将已知概念重新组合理解全新组合。研究揭示当训练数据覆盖约70%基础概念组合时，AI会突然获得"想象力"，能处理从未见过的概念组合。这一突破为构建更智能灵活的AI系统提供了理论基础，未来AI将能像人类一样举一反三，处理全新场景和任务。

这篇来自麻省理工学院研究团队的论文提出了"统一微调"(UFT)方法，创新性地融合了监督式微调(SFT)和强化式微调(RFT)的优势。传统上，SFT擅长让模型"记忆"标准答案但易过拟合，RFT则培养模型"思考"能力但依赖基础模型强度。UFT通过部分解答提示和混合目标函数，让模型同时获得"学习"和"思考"的能力，实验证明它在不同规模模型和各类推理任务上均优于现有方法，且理论上能将RFT的指数级采样复杂度降至多项式级，大幅提升训练效率。

汽车行业是全球最高科技行业之一——所以本周发表的一份报告，从表面上看，有点令人意外。

上海交通大学团队开发的OPUS框架解决了AI大语言模型训练中的关键问题：如何根据具体优化器特性智能选择训练数据。该方法通过优化器诱导的投影实用性选择，仅增加4.7%计算开销就实现了平均2.2%的性能提升和8倍的训练效率。实验表明OPUS在多种场景下都能显著降低数据需求，为大规模AI训练提供了更经济高效的解决方案。

Nvidia近日宣布推出一款名为TensorRT-LLM的新开源软件套件，扩展了Nvidia GPU上大型语言模型优化的功能，并突破了部署之后人工智能推理性能的极限。

想象一下，这就像是在一场马拉松比赛中，有些选手获得了高级跑鞋和专业训练营，而其他选手却只能穿着普通鞋子，自行训练。结果可想而知——差距只会越拉越大。Trillion Labs的研究人员正是看到了这一问题，决定寻找一种新的解决方案。

MIT和Jina AI联合开发的jina-code-embeddings代码嵌入模型，通过改造预训练代码生成模型实现高效代码检索。该模型支持自然语言查询代码、技术问答和跨语言代码搜索，尽管参数规模较小（0.5B-1.5B），但在25项基准测试中表现优异，为AI辅助编程和智能开发环境提供了高性价比的基础工具。

最近来自清华大学、无限极AI和上海交通大学的研究团队提出了一种名为"通向罗马之路"(R2R)的创新方法，可以在小型和大型语言模型之间进行智能令牌路由。研究发现，小型模型与大型模型的推理路径差异主要源于少量"分歧令牌"。R2R方法只在这些关键令牌上使用大模型，其余时间使用小模型，既保证了推理质量，又提高了效率。实验表明，使用平均5.6B参数的R2R方法超越了14B参数模型的性能，同时提供了2.8倍的速度提升。