上海AI实验室团队开发的MM-Eureka突破了多模态视觉推理难题，这是一个能同时理解图像和文字并进行复杂推理的AI系统。通过创新的强化学习训练策略和高质量的MMK12数据集，MM-Eureka不仅在数学推理上表现出色，还展现出惊人的跨学科推理能力，在物理、化学、生物等领域都有优异表现，性能接近OpenAI的o1模型。研究团队将所有成果完全开源，为AI研究社区提供了宝贵资源。

阿里巴巴联合香港科技大学和浙江大学开发的ThinkSound系统，通过引入思维链推理让AI学会像专业音效师一样思考和创作。该系统采用三步式交互流程，支持基础音景生成、物体定制和语言编辑，在多项评测中表现优异，有望降低音效制作门槛并提升创作效率。

网易有道研究团队开发了Confucius3-Math，这是一个专门针对中国K-12数学教育的14B参数AI模型。该模型在多项数学推理测试中表现出色，超越了许多规模更大的竞争对手，训练成本仅需2.6万美元，推理速度比DeepSeek-R1快15倍，能在消费级GPU上高效运行，旨在通过降低AI教育成本来促进教育公平。

清华大学团队开发了首个能同时理解街景、卫星图、轨迹和地理数据的城市AI系统UrbanLLaVA。通过创新的三阶段训练法和多模态融合技术，该系统在十二项城市任务测试中显著超越现有方法，为智慧城市、导航服务、城市规划等领域带来突破性进展，代码已开源。

中山大学研究团队开发了SWE-Factory自动化系统，通过四个AI助手协作完成GitHub问题解决环境构建。系统利用程序退出码实现自动评分，解决了传统手工方法费时费力的问题。实验显示能以低成本自动构建数百个有效测试实例，为AI软件工程训练提供大规模高质量数据，有望推动编程AI工具的快速发展。

这是由新加坡Sea AI Lab等机构联合完成的突破性研究，提出了FlowReasoner查询级元智能体系统。该系统能为每个用户查询定制专门的多智能体解决方案，突破了传统"一套方案解决一类问题"的局限。通过推理能力结合外部执行反馈的强化学习，在多个代码生成基准上综合准确率达81.89%，相比o1-mini提升10.52%，代表了AI系统从标准化向个性化发展的重要转折。

任正非在中央研究院创新先锋座谈会上与部分科学家、专家、实习生的讲话，认为还是要和大家勇敢地沟通，一起前进，战胜困难，我们要敢于走在时代前沿。

澳洲国立大学团队开发的Motion Anything系统实现了AI动作生成的重大突破，能够根据文字、音乐或两者组合自动生成逼真的人体动作。该系统采用创新的注意力引导遮罩策略和双重变换器架构，在多个基准测试中显著超越现有方法，并创建了包含2153组数据的TMD数据集。这项技术为影视制作、游戏开发和虚拟现实等领域带来新的可能性。

约翰霍普金斯大学发布DOTRESIZE技术，通过最优传输理论实现AI大模型智能压缩。该方法将相似神经元合并而非删除，在保持性能的同时显著降低计算成本。实验显示，压缩20%后模型仍保持98%性能，为AI技术普及和可持续发展提供新路径。

艾伦人工智能研究院开发的MolmoAct是首个开源的机器人空间推理模型，通过"看懂-规划-执行"三步思考法让机器人具备类人的空间理解能力。它不仅在多项基准测试中表现优异，还支持直观的视觉轨迹调教，用户可直接在屏幕上画线指导机器人行为。研究团队完全开源了模型、代码和数据集，为全球机器人研究提供强大基础平台。

斯坦福研究员发现，AI模型无需复杂"改造"就能获得新技能，只需观察少量例子即可模仿专业训练效果。这种"情境学习"方法大幅降低了AI应用门槛，文本生成需数千例子，分类任务仅需数百例子，有望让普通用户轻松定制专属AI助手，推动AI技术民主化进程。

伊利诺伊大学研究团队开发出"生成式积木世界"系统，通过将照片分解成3D几何积木，让用户能够直观地编辑图像中物体的位置、大小和角度，同时保持原有质感。该技术突破了传统图像编辑在3D空间操作上的限制，为专业设计和普通用户提供了全新的创作工具。

2021年8月15日，一年一度的“新物种爆炸·吴声商业方法发布2021”如约而至，以下为《吴声造物》梳理的演讲全文。

GLiClass是由乌克兰基辅Knowledgator工程公司开发的创新文本分类模型，基于GLiNER架构改进而成。该模型通过联合编码文本和标签，在单次前向传递中完成多标签分类，实现了准确性与效率的完美平衡。测试显示，GLiClass不仅在准确性上超越强基准模型5.5%，处理速度更是比传统交叉编码器快2.3-16倍，特别是在大标签集场景下优势明显。模型已开源并提供多个规模版本以适应不同应用需求。

新加坡国立大学研究团队通过分析150多篇相关论文，首次建立了评估提示词质量的21属性框架。研究发现当前提示词研究存在严重不平衡，某些模型和任务被过度关注。通过969个高质量提示词样本分析，团队发现属性间存在强关联性。实验显示单一属性优化往往比多属性组合效果更佳，且用属性增强数据训练的模型表现显著提升。

新加坡科技设计大学研究团队开发了JAM音乐生成系统，能够根据歌词生成完整歌曲，并实现词级精确时间控制。该系统仅用5.3亿参数就超越了参数量更大的同类系统，在歌词准确性、音乐质量等方面表现优异。通过创新的流匹配技术和审美对齐机制，JAM为AI音乐创作提供了新的技术路径。

StepFun公司发布的Step-3模型通过创新的模型-系统协同设计，实现了321亿参数规模下的超高效率运行。该研究采用注意力-前馈网络分离架构和多矩阵分解注意力机制，在保持强大性能的同时，将解码成本降低约40%，达到每GPU每秒4039个词汇单元的处理速度，为大型AI模型的经济化部署开辟了新路径。

塔尔图大学研究团队开发了IAUNet细胞分割系统，这是首个将U-Net与Transformer查询机制结合的生物医学AI技术。该系统能够精确识别明场显微镜下重叠的细胞，性能超越现有方法同时参数更少。研究团队还构建了Revvity-25数据集，包含110张高精度标注图像，每个细胞使用60-400个多边形点精确描绘。IAUNet在多个数据集上均取得最佳性能，为药物研发、疾病诊断等提供重要工具。

上海交通大学研究团队提出Iwin Transformer，这是一种无位置编码的分层视觉变换器，通过创新的交错窗口注意力和深度可分离卷积协作，能直接从低分辨率微调到高分辨率。该方法用注意力连接远程令牌，用卷积连接邻近令牌，在单模块内实现全局信息交换，克服了Swin Transformer需要两个连续块的局限。在ImageNet-1K上达到87.4%准确率，在语义分割和视频识别等任务中表现出色。

本文讲述了几个创始人从OpenAI出走，带着一套“AI必须讲道德”的理念，创立了Anthropic这家公司，并培养了（他们说的）“AI界最正直的公民”Claude。