上海人工智能实验室提出CoMemo架构，通过双路径处理解决视觉语言模型在长文本中的图像遗忘问题。该方法结合上下文路径和记忆路径，配合RoPE-DHR位置编码，在七项任务中显著提升性能，为多模态AI的长上下文处理提供了新的解决方案。

DeepResearchGym是一个创新的开源评估框架，专为深度研究系统设计，旨在解决当前依赖商业搜索API带来的透明度和可重复性挑战。该系统由卡内基梅隆大学研究团队开发，结合了基于ClueWeb22和FineWeb大型网络语料库的可重复搜索API与严格的评估协议。实验表明，使用DeepResearchGym的系统性能与使用商业API相当，且在评估指标间保持一致性。人类评估进一步证实了自动评估协议与人类偏好的一致性，验证了该框架评估深度研究系统的有效性。

5月21 -22日，2025 IAI传鉴国际创意节于北京盛大启幕。

华盛顿大学研究团队开发出MUTEX系统，让家用机器人具备类人灵活性。该系统通过扩散策略和分层学习，使机器人能观察人类演示视频自主学习，在陌生环境中适应性完成复杂任务。测试显示成功率提升近一倍，动作更自然流畅。系统具备多任务协调、人机协作和安全保护功能，为未来智能家居和工业应用奠定基础。

单核10MB L3？基频 4GHz？32TB内存？各种数据中心CPU升级需求都能在这里找到解决方案。

单核10MB L3？基频 4GHz？32TB内存？各种数据中心CPU升级需求都能在这里找到解决方案。

昨天晚上，在美国波士顿举行的一年一度THINK大会上，IBM宣布了有关一年前发布的watsonx 平台的几项新的更新，以及即将推出的新的数据与自动化功能，旨在使人工智能（AI）对企业而言更具开放性、成本效益与灵活性。

阿里巴巴集团和同义实验室的研究团队推出了WebDancer，这是一种能够在网络上自主搜索信息并回答复杂问题的智能体系统。研究团队提出了一个四阶段构建框架，包括数据合成、轨迹采样、监督微调和强化学习。他们创新性地开发了CRAWLQA和E2HQA两种方法来生成高质量训练数据，并采用ReAct框架使智能体能够交替进行思考和行动。实验结果表明，WebDancer在GAIA和WebWalkerQA等基准测试中表现优异，甚至在某些情况下超越了GPT-4o，证明了该方法在构建自主信息搜索智能体方面的有效性。

伦敦大学学院研究团队提出FaithfulSAE方法，通过让AI模型用自生成数据训练稀疏自编码器，解决传统方法中的"虚假特征"问题。实验证明该方法在多个模型上显著提高了特征提取的稳定性和可靠性，为AI可解释性研究提供了新思路。

现实中的理想主义者是痛苦的，还是幸福的？工程师在工作中追寻的是什么？这是一个资深工程师，一个数次创业的理想主义者的故事。

让我们一起来回顾机器人技术自公元前四百年的早期发展到如今全球化资源的简史。

弗吉尼亚理工大学推出AR-RAG技术，让AI像拼图高手一样在生成图像时动态检索参考片段。该技术突破传统"闭门造车"模式，实现边生成边参考，显著提升图像质量和细节准确性。提供免训练DAiD和优化训练FAiD两种方案，在多个权威测试中创造同规模模型最佳成绩。

为了竞争，英特尔需要一种新的战略——这正是该公司的新任首席执行官Pat Gelsinger正在试图为这家公司带来的东西——以及美国和欧洲政府的财政支持。非常重要的一点是，其芯片代工业务的规模。这正是苹果公司能够成为关键的地方。

这项由Gensyn、纳沙泰尔大学和代尔夫特理工大学联合研究的突破性成果，解决了大型AI模型训练中机器故障导致的巨大损失问题。研究团队开发的CheckFree方法无需备份即可快速恢复故障阶段，利用相邻层参数的加权平均重建丢失部分。升级版CheckFree+通过乱序管道执行技术还能处理边界层故障。实验显示该方法在低中故障率下比传统方案快12%以上，为AI训练民主化提供了重要技术支撑。

为训练深度神经网络量身定制的第一批商用芯片将于今年上市。由于训练新的神经网络模型可能需要几周或几个月的时间，因此这些芯片可能是迄今为止制造出的最大、也是最昂贵的商用芯片。

英特尔在这两年对于半导体技术的宣传仍然不遗余力：无论是半导体制造展望1-2年后的Intel 18A工艺，还是先进封装hybrid bonding互联间距缩减至3μm的未来技术

MIT研究团队发现了一个颠覆性的AI训练方法：那些通常被丢弃的模糊、失真的"垃圾"图片，竟然能够训练出比传统方法更优秀的AI模型。他们开发的Ambient Diffusion Omni框架通过智能识别何时使用何种质量的数据，不仅在ImageNet等权威测试中创造新纪录，还为解决AI发展的数据瓶颈问题开辟了全新道路。

2023年，在复杂严峻的外部环境影响下，商业环境愈发多变难测，市场进入周期更替的“蕴新”时刻，对企业应对内外变化的能力提出更高要求。

这项研究展示了如何通过在经济问题上进行后训练，让大语言模型像经济学家一样思考，从而实现战略性泛化能力。研究团队开发了名为Recon的7B参数开源模型，通过在2,100个高质量经济推理问题上进行监督微调和强化学习，不仅提升了模型在经济基准测试上的表现，更重要的是让模型在从未直接训练过的多智能体博弈中展现出合理的战略行为。结果表明，领域对齐的后训练可以作为智能体对齐的可扩展路径，通过结构化推理问题培养出更广泛适用的理性决策能力。

可以看到，单纯将Hopper替换为Blackwell并不是最好的答案。根据英伟达方面的解释，只有在配合一系列正确举措之后，推理性能提升至30倍、推理功耗降低至1/25的结果才有可能实现。