近一半的数据泄露都发生在云端。随着网络攻击的增加，企业必须采取适当的措施来保护其数据和环境。责任共担模型（SRM）是一种重要的云安全策略，即云服务提供商负责保护其服务基础设施，企业负责保护其在云环境中的数据和应用程序。

这篇研究论文提出机械可解释性研究应优先考虑稀疏自编码器(SAE)的特征一致性问题。研究人员观察到SAE在不同训练运行中常学习到不一致的特征集，这削弱了研究可靠性。他们提出使用成对字典平均相关系数(PW-MCC)来量化一致性，并证明适当架构设计能实现高一致性(TopK SAE达0.80)。研究通过理论分析、合成数据验证和语言模型实验，证实特征激活频率与一致性正相关，且向量相似性与特征语义相似性高度一致。这项工作为建立更可靠、累积的机械可解释性研究提供了重要方向。

近日， CaixaBank 宣布与 IBM Services签订协议，由后者帮助 CaixaBank 加速混合云之旅，持续增强该银行开发数字优先的创新解决方案的能力，不断改善客户体验。

OPPO AI团队首次系统性探索了如何让AI智能体进行更深入的推理思考。研究提出ATTS框架，包含并行采样、序列修正、验证合并和多样化探索四大策略。实验发现，给智能体更多尝试机会能显著提升性能，但关键在于知道何时反思而非盲目增加思考。多模型协作效果尤其突出，四个AI模型协作成功率达74.55%。这项工作为AI智能体发展指明了从增大模型转向优化推理策略的新方向。

Qualys首席执行官Sumedh Thakar提出，将传统主要用于被动响应安全事件的SOC升级为基于风险管理的ROC，通过聚焦关键风险而非海量安全扫描，帮助公共部门更高效、低成本地降低潜在威胁。

英特尔希望员工及其主管共同确定能够实现最好绩效的办公地点和模式。这可能意味着，现场办公环境下升级过的协作空间和新工具，将成为一个加分项。

芯片设计既是一项工程壮举，也堪称一门艺术。逻辑和内存块的一切可能布局、连通每个元件的导线，共同构成了几乎无穷无尽的规划组合。而且芯片设计领域最出色的工程师们，都是凭着经验和直觉在工作。他们自己也说不清楚为什么某种模式有效，而其他模式却无效。

这篇研究通过创新的"先描述后推理"方法，解决了视觉语言模型在学习推理过程中容易走捷径的问题。研究团队开发的Visionary-R1模型不依赖任何推理链标注数据，仅使用问题-答案对和强化学习，就实现了超越GPT-4o等商业模型的视觉推理能力，为AI推理能力的提升开辟了新途径。

LTO-10磁带相比LTO-9在容量上有所提升，但数据传输速度仍维持在400MBps，且失去了向后兼容性。IBM专家表示，速度限制主要源于物理材料约束，6微米厚的磁带材料在10米/秒最高速度下容易损坏。容量提升主要通过改善磁道密度实现，而非线性密度。LTO-10采用36度伺服格式替代之前的6度格式，并引入磁头倾斜跟踪控制技术，这些变化导致无法兼容LTO-9。未来LTO-11可能采用64磁道磁头，传输速度有望达到1000MBps。

近日,HPE宣布推出HPE Swarm Learning解决方案,作为突破性的AI解决方案,其能够在不损害数据隐私的情况下共享和统一AI模型的学习成果,加速组织在边缘挖掘洞见。

快手科技和清华大学联合提出了Archer训练方法，通过识别语言中的知识型和推理型词语，对不同类型内容采用差异化约束策略。该方法让1.5B参数的小模型在数学推理和编程任务上达到了与大模型相当的性能，在AIME数学竞赛中准确率提升18%，训练效率比传统方法高8倍以上，为AI训练提供了全新的"小而精"发展路径。

在一年一度的 Hot Chips 大会上，IBM今日公布了即将推出的全新 IBM Telum 处理器的细节。

想象你在一个拥挤的派对上。虽然房间里有50个人，但你不可能同时与所有人交谈。你的注意力自然会集中在几个关键人物身上——也许是你的朋友，或者正在讲有趣故事的人。大型语言模型（LLM）中的"稀疏注意力"机制正是基于类似原理：让模型只关注真正重要的信息，而忽略次要内容。

英特尔在量子计算领域的努力开始出成果了。英特尔首次公布旗下的Horse Ridge低温控制芯片是在两年前。研究人员日前演示了该技术已经实现了最初的承诺，进而为量子计算机迈向更加实用的阶段铺平了道路。

Agnesina和Ren最后总结道，“这项工作证明，将GPU加速布局器与AI/机器学习多目标码数优化相结合将带来切实优势。此外，考虑到可扩展性在现代芯片设计流程中的重要意义，我们希望这种方法能够为新的前瞻性设计空间探索翻开历史性的又一篇章。”

Gartner近日公布了影响数据科学和机器学习（DSML）未来的主要方向。

目前没有专门针对数据中心的主要合规性标准，但这并不意味着数据中心在合规性方面没有扮演任何角色。

这项研究提出了一种系统化培养大型推理模型核心能力的方法，不再依赖难以预测的"啊哈时刻"。研究团队基于皮尔斯的经典推理三元组（演绎、归纳、溯因），设计了自动生成的训练任务，实现三阶段训练流程：单独对齐各元能力，参数空间合并，领域特定强化学习。实验表明该方法在数学、编程和科学基准测试上提升了10%以上的性能，并能提高后续学习的性能上限，为构建更可靠的AI推理系统提供了新思路。

香港大学研究团队发布OpenCUA开源框架，用于构建能够自主操作计算机的AI智能体。该框架包含工具、数据和训练方法，其训练的模型在基准测试中表现优异，超越现有开源模型，与OpenAI和Anthropic的商业模型性能接近。框架核心是AgentNet工具，可收集跨操作系统的人类操作演示数据，并采用思维链推理增强训练效果，为企业自动化工作流程提供透明可控的解决方案。

浙江大学和香港大学的研究团队提出了Prior Depth Anything，一个创新框架，融合了深度测量中精确但不完整的度量信息与深度预测中相对但完整的几何结构。该方法通过粗到细的流程，先用像素级度量对齐将深度预测与先验融合，再利用条件化单目深度估计模型优化结果。模型在7个真实数据集上实现了出色的零样本迁移，可处理深度补全、超分辨率和修复任务，甚至能应对混合先验情况，并支持测试时切换预测模型，提供灵活的精度-效率权衡。