伦斯勒理工学院研究团队通过网络科学方法首次系统揭示了大语言模型的内部"认知架构"。研究发现AI模型采用类似鸟类大脑的弱定位架构，模块间通过分布式协作而非专业化分工来处理认知任务。这一发现颠覆了基于功能模块优化的传统思路，指出应充分利用网络级协作来提升AI性能。

阿里团队开发的FantasyPortrait系统突破了传统人像动画的局限，通过隐式表情表示和掩码交叉注意力机制，实现了高质量的单人和多人肖像动画生成，特别在跨身份表情迁移方面表现出色，为视频制作和虚拟交流等领域带来新的技术可能性。

十年来，谷歌云平台的市场份额一直在不足10%的区间内徘徊，摆在面前的是一个要去努力攀登的陡峭山坡。

使命召唤是一款由美国动视暴雪（Activision Blizzard）有限公司开发的第一人称角色扮演射击类视频游戏，10月25日，该系列游戏最新版本《使命召唤16：现代战争》，Call of Duty®: Modern Warfare®，下文也称COD16）开始全球解锁发售，售价约60美元。

想象一下航海时代的探险家们，他们在茫茫大海上航行时，依靠天空中的星辰来指引方向。同样，当今的大型语言模型也需要某种"指引之星"帮助它们朝着正确的方向发展。这个指引之星，就是研究人员所说的"奖励信号"。

大飞和方平是两家中小企业的IT总监，老乡会上认识之后，两人很快成了朋友，经常在工作之余一起打打球、爬爬山、喝喝酒、看看电影（同漫威“死忠粉”），几乎无话不谈。

做出好的服务器CPU绝非易事。毕竟超大规模服务商和云运营商每年都在激烈竞争，要求用更少的钱买到更强的性能，所以很难找到比用服务器CPU满足他们的诉求更困难的业务。

数字化时代，你心目中的财务共享中心是什么样的？财务核算中心？标准化流程中心？实现集中办公？如果您对财务共享的印象仅止于此——那么，恭喜你！你OUT了！

这是首个系统性探索跨视角协作智能的综合性研究，由南京大学、东京大学等顶尖机构联合完成。研究团队首次将"第一人称视角"与"第三人称视角"的协作应用进行了全面梳理，提出了三大技术方向和十三个关键任务，涵盖从智能厨房到手术机器人的八大应用场景。这项突破性工作为人工智能向人类认知迈进提供了重要的技术路径和理论基础。

康奈尔大学研究团队提出了"价值引导搜索"方法，通过训练标记级价值模型来优化大型语言模型的推理过程。他们收集了250万个数学推理轨迹，训练了15亿参数的评估模型，实现了基于块的高效搜索。这种方法不需要预定义"步骤"概念，也无需昂贵的每步标注。在四个数学竞赛基准测试中，该方法使DeepSeek-1.5B模型达到了45.7%的平均准确率，与更大模型相当，同时显著减少了计算资源需求。研究团队开源了数据集、模型和代码，为高效人工智能推理提供了新范式。

这项研究揭示了大语言模型推理中的一个重要问题：数值精度会显著影响结果的可重现性。研究团队发现，即使使用相同设置，不同硬件配置下模型输出可能截然不同，准确率差异可达9%。他们提出了LayerCast解决方案，在保持内存效率的同时提供高精度计算，为AI研究的可重现性提供了实用工具。

微软研究院开发出Logic-RL训练框架，仅用5000个逻辑谜题就让7B参数AI模型学会深度推理。该方法通过强化学习让AI自发发展出反思、验证等思维能力，在数学竞赛中实现125%性能提升，证明了小规模精准训练的巨大潜力，为AI推理能力发展提供新思路。

港大研究团队开发了χ0机器人操作框架，通过模型算术、阶段优势和训练部署对齐三种技术的协同，系统性解决了机器人学习、训练和实际部署三个阶段间的不匹配问题。该系统在复杂的服装操作任务上成功率提升250%，仅用20小时数据和8块GPU就实现了24小时连续稳定运行，为机器人技术从实验室走向日常应用提供了重要突破。

在不断发明新技术，启动新市场的过程中，高通并非独乐乐的“孤勇者”，而是始终以“生态赋能”为座右铭，以自己的方法论，创造不同的潮流，与伙伴们共同穿越周期。每一年的骁龙峰会，就是最佳例证。

在不断发明新技术，启动新市场的过程中，高通并非独乐乐的“孤勇者”，而是始终以“生态赋能”为座右铭，以自己的方法论，创造不同的潮流，与伙伴们共同穿越周期。每一年的骁龙峰会，就是最佳例证。

当AI正在经历"摩尔式"狂奔时，我们比以往任何时候都更应思考，如何确保技术进步不会侵蚀文艺创作这一人类文明的珍贵财富。这不仅关乎技术的未来，更关乎人类文化传承的根本。

Yale大学自然语言处理实验室研发的Table-R1模型突破性地将推理时间缩放技术应用于表格推理任务。研究团队通过两种方法提升模型能力：从DeepSeek-R1模型的推理过程中学习，以及利用可验证奖励进行强化学习。实验表明，即使使用仅有7B参数的模型，Table-R1-Zero也能在13个表格推理基准测试中媲美甚至超越GPT-4.1等大型模型。该研究不仅证明了中小规模模型通过适当训练也能实现出色表现，还为数据分析、科学研究和决策支持系统等实际应用提供了新可能。

上海人工智能实验室提出CoMemo架构，通过双路径处理解决视觉语言模型在长文本中的图像遗忘问题。该方法结合上下文路径和记忆路径，配合RoPE-DHR位置编码，在七项任务中显著提升性能，为多模态AI的长上下文处理提供了新的解决方案。

比利时蒙斯大学和美国南加州大学联合开发了Social-MAE，这是一个能够同时理解人脸表情和声音情感的AI系统。该系统通过分析8个连续视频帧和音频特征，在VoxCeleb2大型社交数据集上进行自监督学习，在情感识别、笑声检测和性格分析三项任务中均达到了业界最佳水平，为智能教育、医疗诊断、人机交互等领域开辟了新的应用前景。

Meta公司研究团队开发的Dynadiff技术实现了单阶段从脑部fMRI信号直接解码图像的突破，解决了现有方法复杂多阶段和忽略时间维度的问题。通过创新的"大脑模块"设计和扩散模型整合，Dynadiff在高级语义图像重建方面超越现有技术，同时能精确追踪大脑中图像表征的时间演变。研究表明，大脑中的神经模式随时间持续变化，允许连续图像的同时解码，为时间分辨率大脑解码开辟了新方向，但仍面临数据需求高和跨受试者泛化能力有限等挑战。