NVIDIA和KAIST联合研发的GenRecal框架成功解决了AI领域的重要难题：如何让不同架构的AI模型之间进行知识传输。该技术通过创新的"重校准器"组件，让小型AI模型能够学习大型模型的能力，在保持轻量化的同时显著提升性能，为AI模型的实际部署提供了突破性解决方案。

四川大学和北京智源人工智能研究院研究团队发现，当前最先进的大语言推理模型存在"装懂"问题：面对信息不完整的数学题时，只有25%会主动询问缺失信息，大部分选择猜测答案。研究构建CRITIC-math数据集系统测试了这一现象，发现AI表现出思维背叛、过度思考、幻觉填空三种典型行为，揭示了当前AI训练中忽视求助意识培养的根本缺陷。

Muddit是一种创新的统一生成框架，它使用离散扩散技术同时处理文本和图像生成。由北京大学等机构联合开发，该模型整合了预训练文生图模型的强大视觉先验，使其能高效并行地处理多模态内容。尽管仅有1B参数，Muddit在GenEval、MS-COCO和VQAv2等多项基准测试中表现卓越，推理速度比主流模型快4-11倍。其核心创新在于采用单一架构处理跨模态任务，证明了离散扩散方法在统一多模态生成中的巨大潜力。

这项研究由德累斯顿工业大学等机构的研究团队完成，旨在解决主动学习未被广泛应用的问题。研究者构建了包含460万种超参数组合的实验网格，系统分析了各参数对主动学习性能的影响。研究发现，不同策略实现间存在显著差异，基于边缘的不确定性策略整体表现最佳，随机选择约4000个超参数组合即可获得可靠结果。这些发现为设计可重现、可信赖的主动学习实验提供了明确指导，有助于降低入门门槛，促进技术在实际应用中的普及。

2025年，我们迎来了人形机器人第一个量产之年，也将迎来通用机器人的ChatGPT时刻。

5月27日，在“贵州·进而有为 华为云城市峰会暨贵州数字峰会2021”上，华为公司高级副总裁、华为云CEO、消费者云服务总裁张平安就当下数字化转型及人工智能、大数据等云服务领域的创新发表了自己的看法。

斯坦福大学研究团队开发出"分数推理"技术，让AI能够像人类一样根据问题难度智能调节思考深度。该技术通过提取和控制AI内部的"推理强度向量"，实现了推理强度的连续调节，在数学推理等任务中显著提升了AI表现。这项无需重新训练的技术为AI推理能力的个性化和自适应化开辟了新方向。

国产化替代不只是更换系统，而是来自中国企业对数字化的更深入的理解，这代表了中国企业的成熟，也为本土软件的发展提供了新的契机。

这项由伊利诺伊大学香槟分校研究团队开发的突破性AI技术，首次让机器具备了类似人类的空间推理能力。通过创新的细粒度偏好优化训练方法，SpatialReasoner-R1不仅能准确判断图片中的空间关系，还能提供完整的逻辑推理过程。在空间质量和数量任务上分别实现4.1%和9.0%的性能提升，为自动驾驶、机器人导航、增强现实等领域带来重要应用前景。

中科院团队开发的EAGLE框架首次实现了对多模态大语言模型决策过程的精确解释，能够揭示AI在生成文字时关注的图片区域，并区分其依赖视觉证据还是语言先验。该方法在准确性上比现有技术提升20%以上，计算资源需求减少80%，在幻觉检测和纠正方面表现卓越，为构建更可信的AI系统提供了重要工具。

在OpenVINO工具套件发布五周年之际，英特尔开展OpenVINO DevCon中国系列工作坊2023活动，旨在通过每月一次的工作坊，持续助力开发者系统学习、稳步提升。

通过数字孪生、人工智能（AI）与预测分析技术，印地车迷可以沉浸式体验NTT印地锦标赛。

在“未来工厂”中，生产速度按需求调控，生产流程则由产品决定。机器设备和机器人不断重新自主组合，自动化运输车辆运送零部件，精密的机器人系统负责对工件进行分拣，工人在辅助系统的支持下从事生产，而人工智能系统则接管质检部分。

高等教育专家必须为与AI的全面协作做好准备，否则很可能错失机会、与学生群体脱节。根据Tyton Partners最新发布的调查结果，教职工群体中的AI频繁使用比例仅为22%，而学生的这一比例则高达49%。

奥地利维也纳医科大学研究团队开发了RetFiner技术，通过让眼科AI模型同时学习OCT图像和医疗文字描述，显著提升了诊断准确率。该方法采用四种训练任务让AI模型建立图像与文字的深层联系，在三个主流眼科AI模型上实现了2-6个百分点的性能提升，为医学AI发展开辟了新方向。

卡内基梅隆大学与本田研究所日本分部的研究团队通过数据扩充和清洗技术，打造了新一代开源语音模型OWSM v4。研究者们开发了一套三步数据清洗流程，从原始YODAS数据集中提取出166,000小时高质量语音数据，涵盖75种语言。基于此数据训练的OWSM v4模型系列在多语言语音识别、语言识别和翻译任务上大幅超越先前版本，甚至在多个场景中与工业级模型Whisper和MMS比肩。该研究证明，即使在学术资源有限的条件下，开源模型通过有效的数据清洗也能实现卓越性能。

这项研究提出了一种名为混合推理策略优化（HRPO）的新方法，通过强化学习使大型语言模型能够结合离散标记和连续隐藏表示进行推理。HRPO设计了创新的门控机制，初始时以标记嵌入为主，逐渐增加隐藏状态的比例，并通过强化学习优化这一混合策略。实验表明，HRPO在知识和推理任务上显著优于现有方法，甚至使小型模型达到大型模型的性能，同时展现出跨语言推理等有趣特性。

这项来自越南国立大学和新加坡Knovel工程实验室的突破性研究证明，仅用15亿参数的小模型就能通过精心设计的强化学习策略实现卓越的数学推理能力。研究团队用42美元训练成本和7000个精选样本，让小模型在AIME24测试中达到46.7%准确率，超越OpenAI的o1-preview模型，展现了"小而美"的AI发展新路径，为资源受限的研究者和开发者提供了高性价比的AI推理解决方案。

杜克大学等机构研究团队通过三种互补方法分析了大语言模型推理过程，发现存在"思维锚点"现象——某些关键句子对整个推理过程具有决定性影响。研究表明，计划生成和错误检查等高层次句子比具体计算步骤更重要，推理模型还进化出专门的注意力机制来跟踪这些关键节点。该发现为AI可解释性和安全性研究提供了新工具和视角。

伦敦大学学院研究团队开发的NOWAIT方法通过阻止AI生成"等等"、"嗯"等思考词汇，在保持准确性的同时将AI输出长度减少27%-51%。该方法无需重新训练模型，可直接应用于现有AI系统，为提高AI推理效率提供了简单有效的解决方案。