从游戏引擎这个梦开始的地方，到更多应用落地的广阔天地，看Unity是如何炼成的。

谷歌DeepMind联合多家顶尖机构推出RT-X系统，这是首个具备类人学习迁移能力的通用机器人AI。通过整合22个研究机构的50万次操作数据，RT-X能够像人类一样将已学技能灵活应用到新环境，成功率比传统方法提高50%以上，展现出跨领域适应和创造性解决问题的能力，为机器人智能化发展开辟了全新道路。

Unbabel团队开发的TOWER+模型系列实现了翻译专业性与通用AI能力的完美平衡。通过创新的四步训练方法，即使2B参数的小模型也能在翻译质量上匹敌70B大模型，同时具备出色的对话和指令跟随能力。研究还创建了IF-MT基准来评估复杂翻译场景下的综合能力，为AI模型的专业化发展提供了重要参考。

北大团队突破性研究Being-H0系统，首次实现让机器人通过观看人类视频学习灵巧手部动作。该系统采用"物理指令调优"方法，在150万个动作样本上训练，达到毫米级精度，在多项复杂操作测试中成功率达60%-100%，仅需传统方法25%的训练数据。这项技术为医疗、制造和服务业机器人应用开辟新前景。

阿联酋研究团队创建了PersonaX数据库，包含超过1.3万人的多模态性格分析数据。通过整合面部照片、背景信息和AI生成的行为特征描述，研究首次实现了大规模的跨模态性格分析。团队开发的双层分析框架不仅能发现统计关联，还能揭示深层因果关系，为理解人类性格特征提供了全新视角。

意大利特伦托大学研究团队开发了RaWMPC自动驾驶系统，该系统无需专家示范即可学会安全驾驶。系统通过建立世界模型预测驾驶行为后果，采用风险感知交互学习策略主动探索危险场景，并运用自我评估蒸馏技术提高效率。实验显示，RaWMPC在多个测试平台上超越传统方法，特别是在应对未知场景时表现出色，为自动驾驶技术发展提供了新的解决思路。

上海交通大学联合多机构开发出Legato技术，解决了机器人动作不连贯的核心问题。该技术通过在训练阶段教会机器人保持动作连贯性，避免了传统机器人在动作切换时的停顿和突变。实验显示，使用Legato的机器人任务完成时间减少约10%，动作流畅度显著提升，为未来更自然的人机交互奠定了重要基础。

"支线任务与主线任务"是马斯克经常使用的游戏化比喻。"我确实感觉在华盛顿工作时因为清除浪费和欺诈而受到很多抨击，这是一个有趣的支线任务，"他坦言政府效率改革的重要性，但他强调"得回到主线任务。主线任务就是技术建设。"

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。

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。

这篇研究介绍了KVzip，一种创新的查询无关KV缓存压缩方法，通过上下文重建机制为大型语言模型提供高效存储解决方案。该技术能将KV缓存大小减少394倍，同时提高解码速度约2倍，在各种任务上性能几乎不受影响。不同于传统查询相关的压缩方法，KVzip创建可在多种查询场景下重用的通用压缩缓存，特别适合个性化AI助手和企业信息检索系统。研究在LLaMA3.1-8B、Qwen2.5-14B和Gemma3-12B等多种模型上进行了验证，处理长度高达17万词元的文本，并能与KV缓存量化等其他优化技术无缝集成。

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。

清华大学研究团队开发出TTRL技术，让AI无需标准答案即可自我学习。通过"多数投票"机制，AI分析自己的多个解答找出最佳答案并以此改进。在数学竞赛中表现卓越，AIME 2024正确率提升159%。这种"无师自通"能力标志着AI向真正自主智能迈进的重要突破。

哈佛大学和微软研究院团队开发出突破性的多模态情感理解AI系统，能同时分析文字、语音、面部表情和肢体动作，情感识别准确率达95.7%，接近人类专家水平。该系统成功解决了传统技术无法理解讽刺、文化差异等复杂情感表达的难题，在医疗诊断、个性化教育、客户服务等领域展现巨大应用潜力，为实现真正理解人类情感的人工智能奠定了基础。

蒙纳什大学等机构联合开发的VLIPP框架首次让AI视频生成真正"懂"物理定律。该系统通过视觉语言模型预测物理运动轨迹，再由视频扩散模型生成高质量画面，在两大权威基准测试中全面超越现有方法，为影视制作、教育等领域带来革命性突破。

阿里巴巴通义实验室开发的AgentScaler是一个能够智能使用工具的AI助手模型系列。通过创新的两阶段训练和自动化环境构建技术，AgentScaler在多个权威测试中表现优异，40亿参数的小模型就达到了300亿参数模型的性能。该研究首次实现了大规模环境自动构建来提升AI智能体能力，为AI助手的实用化应用奠定了基础。

IBM研究团队通过CRAFT系统揭示AI助手在面对恶意用户时的脆弱性。该研究发现，即使最先进的AI助手在遭遇精心设计的诱导攻击时，政策违反率高达70%，远超传统攻击方法。团队开发的τ-break测试集专门评估AI在政策遵守方面的表现，结果显示现有防御措施效果有限。这项研究为AI安全评估提供了新视角，强调需要考虑恶意用户场景，对未来AI系统的安全部署具有重要指导意义。

上海交通大学团队开发了SmallThinker AI模型家族，专为本地设备优化。通过创新的稀疏化架构和预注意力路由器，模型在普通CPU上可达20+词/秒生成速度，仅需1-8GB内存。在MMLU等标准测试中表现优异，证明了高效本地AI部署的可能性，为AI技术普及提供了新路径。

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。

腾讯研究团队首次开发出RLVER框架，通过可验证的情感反馈训练AI理解人类情感。该方法让70亿参数的小型AI模型在情感智能测试中从13.3分跃升至79.2分，达到大型商业模型水平。研究创新性地使用虚拟用户的真实情感变化作为训练信号，并发现"先思考再回应"模式显著提升AI的共情能力。这项突破为AI情感智能发展开辟新路径，有望在心理健康支持、教育和客户服务等领域产生广泛应用。