人体中存在众多类型的蛋白质，如人体免疫系统的抗体蛋白、胶原蛋白、抗冻蛋白、核糖体等，每种蛋白质都有自己独特的蛋白质三维结构。

智谱AI和清华大学联合发布GLM-4.1V-Thinking视觉语言模型，通过创新的推理导向训练框架，让AI学会像人类一样深度思考后再回答。该模型在多个基准测试中超越了规模更大的竞争对手，并首次在开源社区提供了完整的多模态推理解决方案，为AI技术的实际应用开辟了新路径。

Alchemist是一项由Yandex研究团队开发的创新方法，能将公开文生图数据转化为高效微调资源。研究者利用预训练扩散模型作为数据质量评估器，从海量图像中精选出仅3,350个高价值样本创建数据集。实验表明，这个紧凑数据集能显著提升五种Stable Diffusion模型的生成美学质量和图像复杂度，同时保持风格多样性。研究不仅开源了数据集，还公开了微调模型权重，为AI社区提供了替代专有微调管道的开放解决方案。

关于企业上云，在几年前大家谈论更多的是OpenStack、资源编排和分配，但近几年上云的应用部署方式发生了很多变化。首先从谷歌搜索的趋势可以发现Kubernetes的关注（热度）已经远远超过了OpenStack。

为了解答云+AI+5G时代命题，华为云推出了All-Connect企业级云网络，为企业搭建了一座通向万物互联时代智能升级的桥梁。

小机身支撑2000亿参数模型，重新定义AI工作站形态。

4月27日，戴森宣布将与中科院科研团队联合发布《中国消费者居家环境健康研究白皮书》，深入探讨分析中国消费者在室内家居环境中所存在的问题现状。同时，戴森推出全新Dyson Purifier空气净化风扇系列，采用固态甲醛传感技术...

谷歌联合康奈尔大学等机构的研究团队开发出革命性的"文本到文本回归"方法，让AI直接阅读系统日志预测性能，在谷歌Borg集群上达到0.99的预测准确率，比传统方法精确100倍，将预测时间从18小时缩短至几秒钟。

AutoX 在北上广深四大一线城市均开展自动驾驶路测，总计面积超 1000 平方公里。面积上千平方公里的任意点到点自动驾驶区域，标志着 RoboTaxi 走向真实应用，有能力在面积巨大的超级城市提供自动驾驶出行服务。

英伟达将大部分应用透过Dcoker容器技术进行封装，并且为了协助开发人员更加轻松地使用这些软件，英伟达特别开发一个nvidia-pyindex工具，将应用安装的过程变得更加简单，TAO训练工具也不例外。

作为百年科技企业，IBM正在用行动传递这样的价值观：让科技造福于人，这既是科技发展的起点也是归属。

随着越来越多的先进制造企业引入 AI 质检方案，其原有的本地存储方案或者传统存储 NAS 架构，已经完全无法满足随之而来的海量数据的存储、汇聚、查询等需求。

上海人工智能实验室联合哈尔滨工业大学开发了Graph Counselor，一种让AI智能体像专业团队协作的图谱推理新方法。通过规划、思考、执行三个智能体的分工合作，加上自我反思机制，该方法在图谱问答任务上比现有方法提升24.2%，能显著减少AI的"胡说八道"现象，为构建更可靠的AI系统提供了新思路。

作为一款企业级分布式存储产品，杉岩MOS海量对象存储针对成本优化，除了常规的纠删码、横纵双向扩容外，还有哪些特色功能特性？来一探究竟！

来自印度维洛尔理工学院的研究团队开发了UGPL系统，这是一种模仿医生诊断思路的AI技术，能够智能分析CT扫描图像。系统采用"先看森林再看树"的策略，首先进行全局分析识别可疑区域，然后重点检查这些区域。在肾脏疾病、肺癌和COVID-19三项诊断任务上，准确率分别提升了3.29%、2.46%和8.08%，为医疗AI发展指出了新方向。

企业的高管们开始意识到，将AI技术真正融入到各行各业的毛细血管中，远比想象中更加复杂和艰难。AI 领域的“最后一公里”难题不仅正考验着每一个企业用户的智慧和决心，更考验着ISV的工程能力和系统整合能力。

意大利模德纳大学研究团队在2025年NeurIPS大会上发表突破性研究，提出"核心空间"AI模型合并新方法。该技术能让模型合并速度提升280倍，同时显著改善性能。通过构建统一参考基础，将多个专门模型的信息压缩到低维核心矩阵中进行合并，实现完全无损的信息保留。在Llama 3等大型模型上验证了卓越效果，为AI系统开发提供了高效实用的新工具。

上海AI实验室联合复旦大学提出MIG方法，通过构建语义标签图和最大化信息增益来自动筛选AI训练数据。该方法能用5%的精选数据达到完整数据集的训练效果，在多项评估中提升1-6%，计算效率比传统方法快100倍以上，为AI训练提供了高效的数据选择解决方案。

斯坦福大学和字节跳动联合研究团队开发出混合上下文（MoC）技术，革命性地解决了AI长视频生成中的记忆与计算难题。该技术将视频生成重新定义为信息检索问题，通过智能选择最相关历史信息，实现了85%稀疏化率，计算效率提升7倍，生成速度提升2.2倍，能稳定生成分钟级高质量连贯视频，为视频创作民主化开辟新路径。

华盛顿大学与西华盛顿大学的研究团队合作开发了VisualSphinx——一个包含66万个合成视觉逻辑谜题的大规模数据集，用于提升视觉语言模型的逻辑推理能力。通过四阶段流程：种子问题收集、规则遗传算法扩展、程序化图像合成和谜题组装，团队以不到1000美元的成本创建了这一资源。实验证明，使用该数据集进行强化学习的模型在逻辑推理任务上的表现显著提升，甚至超越了多款封闭源模型，且这种能力可迁移至其他视觉推理任务。