挪威卑尔根大学研究团队开发了RotaTouille深度学习框架，专门处理轮廓数据的旋转等变性问题。该方法基于复数值神经网络和圆形卷积，无论轮廓如何旋转或改变起始点都能准确识别。实验显示在多个数据集上超越传统方法，为医学影像、工业检测等领域提供了新的技术选择。

武汉大学团队与字节跳动公司合作，提出MAPO混合优势策略优化方法，解决AI训练中的"一刀切"问题。该方法能根据问题难度动态调整评分策略，避免传统方法中的优势反转和优势镜像问题。通过轨迹确定性判断和权重动态调整，在几何推理和情感识别任务上都取得显著提升，为AI自适应学习提供新思路。

KTH皇家理工学院研究团队通过收集6万个AI智能体运行轨迹，首次系统性地揭示了当前AI评估方法中存在的严重随机性问题。研究发现，即使在确定性设置下，同一智能体的表现仍可能波动2-6个百分点，许多声称的技术"改进"可能只是评估噪音。团队提出了基于统计功效分析的严格评估框架，为建立可靠的AI性能评估体系提供了科学指导。

滴普科技正在不断拓宽数字化主航道的基础上聚焦产业数字化，综合5G、IoT、大数据、AI、云计算等新技术，形成可高度扩展的商业智能和产业智能的平台产品，为组织提供全场景数据智能服务。

关于数据的重要性，戴尔科技集团董事长兼首席执行官迈克尔·戴尔有一个简短却十分形象的比喻：“如果把AI比作火箭，数据就是燃料。”

像我正在使用的戴尔Precision 7920塔式工作站，专为处理各种复杂且要求严苛的应用程序，具备极其广泛的可定制选项。

“在中国，我们的发展策略非常清晰，就是成为中国市场最以客户为中心，最具协作精神的企业。”

Nutanix公司本周向分析师展示了名为FLOW的软件定义网络产品，且毫不避讳地表达了其进军VMware业务领域的意向。而FLOW产品显然也将成为NSX的替代性解决方案。

曙光公司总裁 历军

人形机器人是通用人工智能的最后一公里。

耶鲁、哥大等四校联合研发的RKEFino1模型，通过在Fino1基础上注入XBRL、CDM、MOF三大监管框架知识，显著提升了AI在数字监管报告任务中的表现。该模型在知识问答准确率提升超过一倍，数学推理能力从56.87%提升至70.69%，并在新颖的数值实体识别任务中展现良好潜力，为金融AI合规应用开辟新路径。

电商订单、支付、物流等核心链路，都是以数据库为基础。一旦数据库成为瓶颈、或任何细微的疏忽，整个618大促将会变成一个大型“灾难现场”。

这项由香港科技大学领导的研究首次建立了大语言模型安全守护栏的系统性评估框架。研究团队对13种主流守护栏进行了全面测试，提出了六维分类体系和SEU三维评估标准，揭示了不同守护栏在安全性、效率和实用性方面的权衡关系，为AI安全防护技术的选择和部署提供了科学指导。

斯坦福大学研究发现，主要用英语训练的大型语言模型竟能自发学会处理其他语言任务，无需明确教学。这种跨语言迁移能力随模型规模增大而显著提升，通过形成"通用语义空间"实现不同语言间的知识迁移。研究为降低多语言AI开发成本、支持资源稀缺语言提供了新途径，但仍面临性能不均衡、文化适应性等挑战。

坦率的讲，要是两年前，我肯定得自己去徒手建模了。但是如今，让我自己再去建模那肯定不可能，C4D和Blender我打开都不想打开，作为一个AI博主，要是再回去手工建模，那简直就是就回到原始人了。

KERL是一个创新的食谱推荐系统，由伦斯勒理工学院研究者开发，将食品知识图谱与大语言模型相结合，提供个性化推荐并生成食谱步骤和营养信息。系统包含三个模块：KERL-Recom（负责推荐菜品）、KERL-Recipe（生成烹饪步骤）和KERL-Nutri（提供营养分析）。研究团队创建了全新基准数据集评估系统性能，实验表明KERL在所有任务上均显著优于现有方法，为用户提供了考虑个人喜好、饮食限制和健康指南的完整食谱推荐解决方案。

5月17日，京东金融副总裁、首席数据科学家、城市计算事业部总经理郑宇在2018世界智能大会上阐述京东金融的智慧城市理念和愿景

就在提交IPO申请的一周之后，Arm公司决定在Hot Chips上发布Neoverse计算子系统（CSS）与Neoverse V2平台。

Meta FAIR实验室提出的集合块解码技术通过融合传统下一词预测和遮蔽词预测，让语言模型能以任意顺序同时生成多个词汇，无需修改模型架构即可将推理速度提升3-5倍。该技术在Llama-3.1和Qwen-3模型上验证有效，为大型语言模型的实际应用提供了重要的效率突破，有望显著改善用户体验并降低部署成本。

华中科技大学与利哈伊大学研究团队开发的MMMR基准是首个专门评估多模态大语言模型推理思考过程的综合工具。通过1,083个跨六大领域的高难度推理任务和创新的推理过程评估管道，研究发现即使最先进的模型在推理任务上也与人类存在约10%的差距。研究揭示了答案准确性与推理质量间的脱节：模型常出现思考不一致(41.5%)、过度思考(20.5%)等问题。这一基准不仅评估答案正确性，更深入分析思考质量，为提升AI系统的可靠性和透明度提供了重要方向。