昨天晚上，在美国波士顿举行的一年一度THINK大会上，IBM宣布了有关一年前发布的watsonx 平台的几项新的更新，以及即将推出的新的数据与自动化功能，旨在使人工智能（AI）对企业而言更具开放性、成本效益与灵活性。

现有数据架构难以支撑现代化应用的实现。

这项由北京大学和香港科技大学联合完成的研究开发了ContextFlow系统，实现了无需训练的高质量视频物体编辑。该系统通过RF-Solver高精度反演和自适应上下文丰富机制，能够精确插入、替换或删除视频中的物体，同时保持背景完整和时间连续性，在多项指标上超越现有方法，为视频编辑技术带来重大突破。

东南大学研究团队开发的LayerCake方法通过分析大语言模型内部的"分层蛋糕"结构，发现不同层次处理不同类型信息的规律，创新性地采用对比解码技术来减少AI生成错误信息的问题。该方法在多个测试中显著提升了模型的事实准确性，为AI安全应用提供了重要技术支撑。

这项研究提出了一种交互式物体感知的图像到音频生成模型，让用户能够针对图像中选定的特定物体生成相应声音。研究团队将物体中心学习整合到条件潜在扩散模型中，通过多模态注意力机制学习图像区域与声音的对应关系。用户可通过分割蒙版选择目标物体，系统会精确生成相关音频。理论分析证明其注意力机制在功能上等同于测试时的分割蒙版，确保了生成音频与选定物体的准确对应。实验表明该模型在声音-物体对齐方面显著优于现有技术，为内容创作、虚拟现实和辅助技术等领域开辟了新可能。

卡内基梅隆大学团队发现AI智能体"多试试"比"多想想"更有效的新规律。研究提出TTI方法，通过增加交互步骤而非延长单步思考时间来提升性能。在网页任务中，该方法让AI学会探索、比较和调整策略，在WebVoyager和WebArena基准测试中创下开源模型新纪录。这一发现挑战了传统"深思考等于高智能"的假设，为构建更适应复杂现实环境的AI系统开辟了新方向。

「“转码”正在成为不那么好找工作的——文史哲、土木、建筑、“四大天坑”生化环材（生化、化学、环境、材料）等专业毕业生们的主动选择。今日推荐后浪研究所（id：youth36kr）一篇文章，程序员依然是高性价比的工作选择。」

阿里巴巴团队首次实现仅凭一张照片生成逼真说话视频的AI技术突破。该系统不仅能完美同步嘴唇动作，还能自然展现面部表情、肢体动作和背景变化，并支持个性化的动作强度控制。这项技术将显著降低视频内容制作门槛，为在线教育、企业培训、数字营销等领域带来革命性变化。

阿里巴巴集团和同义实验室的研究团队推出了WebDancer，这是一种能够在网络上自主搜索信息并回答复杂问题的智能体系统。研究团队提出了一个四阶段构建框架，包括数据合成、轨迹采样、监督微调和强化学习。他们创新性地开发了CRAWLQA和E2HQA两种方法来生成高质量训练数据，并采用ReAct框架使智能体能够交替进行思考和行动。实验结果表明，WebDancer在GAIA和WebWalkerQA等基准测试中表现优异，甚至在某些情况下超越了GPT-4o，证明了该方法在构建自主信息搜索智能体方面的有效性。

ZeroGUI是一项突破性研究，实现了零人工成本下的GUI代理自动化在线学习。由上海人工智能实验室和清华大学等机构联合开发，这一框架利用视觉-语言模型自动生成训练任务并提供奖励反馈，使AI助手能够自主学习操作各种图形界面。通过两阶段强化学习策略，ZeroGUI显著提升了代理性能，在OSWorld环境中使UI-TARS和Aguvis模型分别获得14%和63%的相对改进。该研究彻底消除了传统方法对昂贵人工标注的依赖，为GUI代理技术的大规模应用铺平了道路。

最近优步汽车（Uber）导致一位自行车骑行者因车祸遇难的事件引发了多方关注。很多人认为，系统能力低下的责任应由优步公司承担，但也有些人认为，事故本身并不值得大做文章。在笔者看来，此类事故确实可以通过技术方式加以避免。

星火大模型V1.5和悟道3.0重磅发布，AMD发布Instinct MI300X

字节跳动研究团队开发了USO模型，首次实现风格转换与主体保持的统一处理。该模型通过创新的协同学习范式，让两个看似对立的任务相互促进，在保持图像主体特征的同时实现精准的风格转换。实验显示USO在多项指标上达到最优性能，能够处理复杂的风格-主体联合生成任务，为AI图像生成领域带来重大突破。

Meta联合滑铁卢大学开发的MoCha系统实现重大突破，仅需语音和文字描述就能生成电影级会说话的虚拟角色视频。该技术突破传统局限，无需参考图片等辅助条件，还能实现多角色对话场景，在唇音同步、表情自然度等方面显著超越现有方法，为内容创作、教育、娱乐等领域带来革命性变化。

复旦大学研究团队开发出突破性AI技术，能够仅通过声音重建说话者面部图像。该技术基于声音特征与面部结构的生理关联，使用多层深度学习系统实现声音到图像的精确映射。测试显示生成图像与真实面孔高度相似，在执法、娱乐、医疗等领域具有广阔应用前景，同时也带来隐私保护等伦理挑战。

清华大学团队推出BlockFFN架构，通过创新的稀疏激活技术和块级优化训练，实现了AI模型在端侧设备上3.67倍的加速效果。该技术采用ReLU路由器和RMSNorm设计，结合激活稀疏性和推测解码，在保持模型性能的同时大幅提升运行效率，为AI技术在移动设备上的普及应用开辟了新路径。

这项由加州大学圣克鲁兹分校和eBay联合完成的研究首次揭示了先进AI模型的"睁眼瞎"问题：它们虽然具备强大的感知和推理能力，却无法识别表面合理实际有缺陷的指令。研究发现，即使是最先进的AI系统，在面对物体缺失、指代模糊、事实矛盾和目标不可行等隐性问题时，正确识别率不到40%。更令人意外的是，这些AI系统其实内心已经察觉到问题，但因过度训练的服从性而不敢表达。当被允许提出澄清性问题时，它们的表现瞬间飙升至94%以上，表明简单的交互设计改进就能大幅提升AI系统的可靠性。

无论是什么新理念、新技术，只有创造价值，才有意义。

约翰霍普金斯大学与StepFun公司联合研究，成功让AI学会"边看边思考"的视觉推理能力。通过两阶段训练方法，先让AI在文字推理中掌握认知行为，再迁移到视觉任务中。开发的OVR模型在多项测试中创造新纪录，为AI教育助手、医疗诊断、科研分析等应用奠定基础。

清华大学团队提出"绝对零度"AI训练新方法，让AI系统完全不依赖人类数据，仅通过自己出题解题的方式实现自主学习。该方法在编程和数学推理任务上超越了使用大量人工数据训练的传统模型，展现了AI超出预期的自主学习潜力，为未来AI发展开辟了新方向。