TECHNIQUERAG是一种新型检索增强生成框架，专为网络安全领域的对抗性技术识别而设计。卡塔尔计算研究所的研究团队创新性地整合了现成检索器、LLM重排序和有限的文本-技术配对数据，有效解决了数据稀缺性和领域专业性挑战。实验表明，该方法在多个安全基准上实现了最先进的性能，无需大量标记数据或特定任务优化。TECHNIQUERAG通过零样本LLM重排序增强了检索质量，使防御者能更准确地从威胁情报文本中识别MITRE ATT&CK技术，为网络安全分析提供了强大工具。

数据产业政策研究专班牵头人张向宏教授发布了我国第一份《数据产业图谱》，首次展示了我国数据产业的基本涵义、构成、主体、特征，显示了我国数据产业的发展现状和巨大潜能。

这项研究提出了一种创新的无配对数据训练方法，用于开发轻量级智能手机图像信号处理器(ISP)。传统方法需要具有像素级对齐的配对RAW-RGB数据，而该方法通过多重损失函数和三个鉴别器的对抗训练，成功实现了无需配对数据的高质量图像处理。研究在ZRR和富士胶片UltraISP数据集上测试，证明轻量级模型(仅3K参数)能达到接近配对训练的视觉效果，且适合在手机上实时运行。这一方法大大降低了开发手机相机处理算法的成本和技术门槛。

答者为Pure Storage旗下PortWorx云原生业务部门副总裁兼总经理Murli Thirumale。而这篇问答的核心，在于解读组织机构为什么不仅需要存储策略、更需要制定数据策略。

SWE-bench-Live是微软与上海人工智能实验室联合开发的持续更新基准测试平台，解决了现有代码修复评估工具的数据老化、覆盖有限和人工依赖问题。核心创新是REPOLAUNCH自动化流水线，能从GitHub抓取2024年后的1,319个真实问题，自动配置Docker环境。研究发现最先进的AI代码助手在该平台上的解决率仅为19.25%，远低于静态基准测试表现，尤其在处理多文件修改和大型代码库时存在明显局限。

根据IDC发布的《2023Q1中国软件定义存储及超融合市场研究报告》显示,超融合得到了越来越多企业用户的青睐。

这篇研究介绍了"量化LLM评价者"，一个创新框架，能使大型语言模型(LLM)在评估其他AI输出时更接近人类判断。由麻省理工和Adobe联合研发的这一方法，将评估过程分为两个阶段：先让LLM生成文本评价，再用轻量级机器学习模型将这些评价转化为更准确的数值评分。研究提出了四种评价者模型，适用于不同评估场景，实验表明它们不仅能显著提高评分准确性，还比传统微调方法更节省计算资源。这一框架特别适合人类反馈有限的场景，为AI评估领域开辟了高效且可解释的新路径。

Pure Storage公司欧洲、中东和非洲地区（EMEA）CTO认为，我们在存储、网络和软件数据集规模方面即将遭遇可扩展性极限。

11月1日，以“无界BOUNDLESS · 数织未来AI同行”为主题的2024 绿盟科技TechWorld智慧安全大会在北京如约启幕。

互联网巨头的新玩法，是一次跨维度挑战，但是也是一次新思维重塑。这既未见得不能给传统玩家以新启发，也不好说某天守城一方也可以借此新模式反攻互联网。

6月25日-26日，华为云携手蓝鲨消费共同举办的“华为云联创营·新消费CEO卓越班”在深圳坂田基地成功举办。

Open AI的大型语言生成模型ChatGPT火热，它能胜任刷高情商对话、生成代码、构思剧本和小说等多个场景，将人机对话推向新的高度。全球各大科技企业都在积极拥抱AIGC，不断推出相关技术、平台和应用。

MediaTek Research团队提出的Latent Flow Transformer（LFT）是一种创新架构，通过流匹配技术将多个Transformer层压缩为单层，大幅提升效率。研究引入"重耦合比率"指标精确预测适合压缩的层，并开发Flow Walking算法解决路径交叉问题。在Pythia-410M模型上，LFT成功将12层压缩为1层，其性能超过简单跳过3层的方法，缩小了自回归与基于流的生成方法之间的差距。这一技术不仅降低了模型参数量，还保持与原始架构兼容性，为大型语言模型的高效部署开辟了新途径。

如何上云？这已经是各个企业CIO必须考虑的问题了。

NVIDIA不断地探索、拓展Omniverse平台的应用，通过Omniverse这个巨大的生态连接平台推动工业数字孪生的发展。

这项由北京大学深圳研究生院、伟湾大学、腾讯ARC实验室和兔小贝智能联合研究的Sci-Fi框架，通过创新的对称约束机制，解决了视频帧间插值中的关键问题。研究团队设计了轻量级EF-Net模块，增强结束帧约束力，使其与起始帧形成平衡影响，从而生成更自然流畅的中间过渡帧。实验证明，该方法在各种场景下都优于现有技术，特别适用于电影制作、动画创作和视频编辑领域，显著降低了人力成本。

这项研究由浙江大学、复旦大学等机构联合完成，提出了ReVisual-R1模型，通过创新的三阶段训练方法显著提升了多模态大语言模型的推理能力。研究发现优化的纯文本冷启动训练、解决强化学习中的梯度停滞问题、以及分阶段训练策略是关键因素。ReVisual-R1在各类推理基准测试中超越了现有开源模型，甚至在某些任务上超过了商业模型，为多模态推理研究开辟了新途径。

经过社区开发者们两个月来的不断努力，昇思MindSpore1.8版本现已发布。

FuriosaAI团队提出突破性的Draft-based Approximate Inference框架，通过小模型预测指导大模型智能管理资源。研究开发了SpecKV和SpecPC两种方法，分别用于KV缓存管理和文本压缩，在保持高准确性的同时显著降低内存使用和计算延迟，为长文本AI推理提供了高效可行的解决方案。

这项由新加坡和英国研究机构联合进行的研究，使用多智能体强化学习探索了语言起源问题。研究团队设计了"觅食游戏"环境，让智能体在部分可观察的世界中协作完成任务。结果表明，智能体自发发展出具有人类语言五大特性的通信系统：任意性、互换性、位移性、文化传播和组合性。研究提供了关于语言如何在合作环境中自然演化的新见解，证明语言是从社会互动和共享目标中浮现的工具，而非孤立系统。