谷歌DeepMind研究团队提出Mind Evolution算法，让AI像生物进化一样通过多候选方案的相互学习和改进来解决复杂规划问题。该方法在旅行规划任务中成功率从传统的5.6%提升至95.6%，甚至可达100%。研究创新性地将进化算法引入自然语言推理，无需问题形式化，仅需评估函数即可自动优化解决方案，为AI推理开辟了全新范式。

这篇论文介绍了一种名为"低秩克隆"(LRC)的新型知识蒸馏方法，能极大提升小型语言模型的训练效率。哈尔滨工业大学深圳校区和百度公司的研究团队通过训练可学习的低秩投影矩阵，同时实现了软剪枝和激活克隆，避免了传统方法中的信息损失和对齐效率低下问题。实验证明，仅用100亿-200亿文本单元训练的LRC模型性能可匹配或超越需要万亿级训练数据的现有模型，训练效率提升1000倍以上，为资源受限场景下的高性能语言模型开发提供了突破性解决方案。

中科院团队开发出DiffSpectra系统，首次实现仅通过多模态光谱数据就能准确推断分子完整三维结构的AI技术。该系统同时处理红外、拉曼和紫外光谱，采用扩散模型直接生成分子结构，突破了传统依赖分子库查找的局限。测试显示16.01%完全准确率，前20候选准确率达96.86%，将revolutionize化学分析效率，加速新药研发和材料科学发展。

法国波尔多大学研究团队开发了一个突破性框架，用于神经退行性痴呆症的差异化诊断。该框架将3D脑部MRI转换为文本报告，并利用强化学习优化的大语言模型进行详细诊断推理。不同于传统"黑箱"方法，这一系统能生成透明、有因果关系的解释，同时保持高诊断准确率。研究显示，通过群组相对策略优化(GRPO)训练的轻量级模型能展现复杂推理行为，包括假设检验和非线性思考，提供与临床决策流程一致的排序诊断结果。

这个春天，基于大模型技术的应用成为科技圈的风暴眼，以ChatGPT为代表的生成式AI一瞬间成为科技圈顶流，而在其背后，更需要强大算力作为基础性支撑。

ISTA和Red Hat AI的研究团队在《Unified Scaling Laws for Compressed Representations》论文中提出了一个革命性的统一框架，揭示了AI模型压缩背后的数学规律。他们发现，无论使用什么压缩方法，模型性能都可以通过"表示容量"这一单一指标准确预测，而这一指标与表示法拟合随机高斯数据的能力直接相关。研究不仅证明了容量在组合表示中可以分解，还开发了基于容量的改进稀疏训练方法，在同等参数条件下显著提升模型性能。

斯坦福等高校联合研究团队首次开发出能抵御"视觉伪装攻击"的AI图像水印技术PECCAVI。该技术通过识别图片中的"非融化点"并采用多频道频域水印，成功抵御了能完全去除传统水印的最新攻击方式，检测率达92%。研究解决了AI生成图像真实性验证的关键难题，为防范AI造假内容传播提供了重要技术支撑。

文章讨论了算力网络的愿景，即算力标准化、统一计量，类比电力网络。强调算力基础设施对数字化转型的重要性，但也面临标准化难题、技术门槛高、快速迭代等挑战。提出开放技术栈和产业链，以及算力网公司的竞争态势，强调软硬件融合和算力芯片独立自主的重要性。

这项研究首次创建了CommonForms大规模表单数据集，从800万PDF文档中筛选出5.9万份高质量表单，涵盖20多种语言和14个领域。基于此训练的FFDNet模型在表单字段识别上超越Adobe Acrobat，能识别文本框、复选框和签名区域，训练成本仅500美元且完全开源，为自动化表单处理提供了经济实用的解决方案。

高岑说，“IBM试图在分布式架构和集中式架构之间打造这样一个‘桥梁’，为用户提供既保证高可用性、超强的纵向扩展能力，又提供快速顺应市场环境要求，缩短开发周期，灵活开源的最新横向扩展技术。”

M-A-P团队发布的COIG-P数据集包含100万个高质量中文偏好样本对，通过15个AI模型协作生成和8个AI评委评分构建。该数据集覆盖对话、编程、数学等六大领域，显著提升了中文AI模型性能，相关模型在AlignBench评测中获得2%-12%的性能提升。团队还开源了中文奖励模型CRM和评估基准CRBench，为中文AI社区提供了重要的开源基础设施。

如果问,在众多的中国出海赛道中哪一条拥有基数最大的粉丝拥趸?以网络游戏、社交媒体、直播、短视频为代表的泛娱乐赛道便成为当仁不让的领跑者。

KAIST研究团队开发了名为MoR的智能递归深度调节系统，该系统能够根据词语复杂程度自动分配计算资源，实现了参数共享、自适应计算和智能缓存的统一。实验显示，MoR在使用更少参数的情况下仍能提升准确率1-2个百分点，处理速度提升20-100%。这项技术为AI发展提供了新的高效计算模式。

浦项科技大学研究团队发现当前AI模型缺乏音频推理能力，仅凭文字描述无法判断声音属性。他们构建了AuditoryBench++测试平台，涵盖音调、音量比较等5类任务，发现主流AI模型表现接近随机猜测。研究团队提出AIR-CoT方法，通过两阶段训练让AI学会"想象"声音：先识别需要音频推理的文本片段，再调用音频知识模块生成声音特征。实验显示该方法显著提升了AI的音频推理能力。

本土EDA需要在差异化、“夹缝”中的需求里，获得成长的空间。

Scale AI和UCLA研究团队发现AI训练中的"奖励过度优化"问题关键在于高分区域的准确性。他们提出基于评分标准的新方法，通过详细的评判标准而非简单偏好判断来训练模型。实验显示该方法在通用对话和医疗诊断任务中显著提升了模型表现，胜率分别达到39.7%和34.4%，并有效延缓了性能衰减现象。

通用AI的应用前景非常广阔，它可以在医疗、交通、金融、教育、娱乐等各个领域发挥作用，为人类带来更好的生活体验和更高效的工作方式。

所谓使用性故障，是指由于操作、维护人员的误操作、对故障现象的错误判断、所采取的不当措施及经验性诊断等造成的故障。UPS的使用性故障大致可以分为知识性故障、操作性故障、延误性故障、维护性故障、经验性故障、环境性故障、突然掉电故障、UPS器件或板级故障等。

英特尔新近召开的架构日活动可以用“琳琅满目”来概括。借此机会，芯片巨头发布了新的CPU核心、加速计算块、处理器与显卡背后的技术细节，同时介绍了与这些处理器及显卡对应的跨PC、服务器、存储及商业/消费应用网络的软件。总之，就是“琳琅满目”。

香港科技大学团队首创Video-MTR系统，让AI像侦探一样进行多轮推理来理解长视频。该系统不再一次性分析整个视频，而是先粗略观察，再针对性深入关键片段，最多进行三轮调查。通过双层奖励机制和仅8000个精选训练样本，在三大权威测试中均达到开源系统最佳水平，特别在长视频理解上提升显著。