帝国理工学院的研究团队开发了AlphaMed，这是首个仅通过极简规则强化学习就能培养医疗推理能力的AI模型，无需依赖传统的思维链示范数据。通过分析数据信息丰富度和难度分布的影响，研究发现高信息量的医疗问答数据是推理能力的关键驱动因素。AlphaMed在六个医疗问答基准上取得了领先成绩，甚至超越了更大的封闭源模型，同时展现出自发的步骤推理能力，为医疗AI发展提供了更加开放、高效的新路径。

首尔国立大学研究团队开发了CHARTCAP数据集，包含56.5万个高质量图表-描述对，通过四阶段流水线和循环验证方法解决了AI图表理解中的幻觉和信息贫乏问题。研究还提出了视觉一致性得分评估方法，该方法通过重构图表来验证描述质量。实验显示，经CHARTCAP训练的AI模型在图表理解能力上首次超越人类专家标注，为AI在专业领域的应用开辟新路径。

他们出生于互联网环境中，对拥抱新事物新技术充满热情，生成式人工智能的飞跃发展，也大大降低了创业的门槛。

本文整理自TF中文社区技术代表杨雨在TF中文社区“2020第一次Meetup”上的演讲,分享Tungsten Fabric对大规模云平台的支持。

上市44天，卖出146台，推出10个季度，足迹遍布37个国家和地区，累计创收10亿美金

其实除了在2C互联网市场，C2M在产业互联网中也有着广泛的应用空间，例如浪潮、曙光、宁畅等服务器厂商在服务器定制化领域积极探索由用户驱动生产的反向生产模式。

想象一下，你有一个只有普通计算机大脑五百分之一的智能助手，却能解决复杂的数学问题，这听起来像天方夜谭吗？南加州大学的研究团队带来了这样一个惊喜：他们创造了名为"Tina"的超小型语言模型，以极低的成本实现了强大的推理能力。

遥想2015年，由于x86数据中心计算的绝对垄断地位，现金充裕的英特尔公司斥资167亿美元收购了FPGA制造商Altera。而促使芯片巨头下手的原因，就是当时不少超大规模企业和云服务商正四下打探，想把一部分CPU算力转移至FPGA以打造SmartNIC。

想象一下这个场景：一位学生拿到了一套没有标准答案的数学题。正常情况下，没有答案怎么知道自己做得对不对呢？大多数学生会卡在这一步。但如果这位学生非常聪明，他会想出一个办法——先用不同的解题思路做几遍，然后看哪个答案出现的次数最多，那个答案很可能就是正确的。接着，他会思考为什么其他方法得到了不同的答案，从而改进自己的解题技巧。这就是清华大学研究团队开发的"测试时强化学习"（TTRL）的核心思想。

在与22岁的比尔.盖茨共同创立微软8年之后，保罗.艾伦选择了离开。这位一手创造出美国历史上最大财富象征之一「微软」的传奇人物于本周一在西雅图去世，享年65岁。他曾是一个极富创造力的程序员，也是一个“理想主义者”。

腾讯将迈入“全面拥抱大模型”时代：“以大模型生成技术为核心，人工智能正在成为下一轮数字化发展的关键动力，也为解决产业痛点，带来了全新的思路。腾讯产业互联网将通过智能增强、数据增强、连接增强，持续助力产业增强。

马上就过年了，一想到又要和七大姑八大姨见面的场景，我就两股战战。

你还记得第一次用电脑打开SOLIDWORKS时候那种“惊喜”的感觉么？

微软数据安全、隐私和合规总经理Herain Oberoi称，围绕AI和安全开展的工作“对于合作伙伴来说是一个巨大的机会”——尤其是在帮助客户了解AI风险、构建解决这些风险的应用、以及围绕新攻击面构建仪表板和报告等领域。

智源研究院2020年搭建大模型攻关团队,2021年6月推出当时规模最大、性能领先多模态大模型“悟道2.0”。

早期采用生成式AI的人通常使用ChatGPT、微软Copilot和类似的SaaS 工具，这些工具虽然需要花钱，但不会带来基础设施方面的挑战。然而，随着企业的纵向扩展，这些挑战开始显现出来。

Dana-Farber Cancer Institute癌症研究所的最终用户在生成式AI技术出现后不久就看到了应用的可能性，但采用这项技术需要仔细考虑安全性、保障性，尤其是治理方面的因素。

经过快速的整合，Dell EMC厚积薄发，首先炼就“六脉神剑”，包含六式“剑法”

中科院深圳先进技术研究院联合中科院大学提出PACS框架，通过将强化学习问题转换为监督学习任务，让大语言模型学会自我监督和评价。该方法在数学推理任务上显著超越现有方法，在AIME 2025测试中成功率达59.78%，比传统方法提升13-14个百分点，为AI推理能力提升开辟了新路径。

卢森堡大学和SWPS大学研究团队通过对三个先进AI模型进行超100万次查询测试，发现AI在道德内容识别方面表现优于75%的人类标注员。研究使用贝叶斯方法处理标注分歧，分析了25万多个道德判断标注。结果显示AI的假阴性率比人类低2-4倍，证明AI具备更敏锐的道德检测能力。