上海交通大学研究团队发布了突破性的科学推理数据集MegaScience，包含125万高质量实例，首次从12000本大学教科书中大规模提取科学推理训练数据。该数据集显著提升了AI模型在物理、化学、生物等七个学科的推理能力，训练的模型在多项基准测试中超越官方版本，且具有更高的训练效率。研究团队完全开源了数据集、处理流程和评估系统。

从目前来看，区块链公司的产品服务能力还相当有限，而只有当大部分系统集成商都意识到区块链的价值并在其系统中集成了区块链技术，这个行业应用才会出现爆发式增长——这个时间点，李瑞认为会出现在2023年左右。

用户的容灾需求是多样化的，浪潮云海以丰富产品能力满足不同客户的不同需求。目前浪潮云海容灾的方案可有效覆盖同城容灾、异地容灾、同城双活、两地三中心场景、异地多活等场景，支持基于超融合的小规模容灾以及超大规模的云容灾。

通过开发者大赛，致远互联与客户、伙伴在云上实现云端定制、创新共生，并通过持续的创新，为协同管理产业积蓄力量，推动行业发展。

OmniSpatial是由清华、北大等多所顶尖高校联合开发的首个全面评估视觉语言模型空间推理能力的基准测试。研究团队将空间推理分为动态推理、复杂空间逻辑、空间交互和视角转换四大维度，涵盖50个细分任务类别，构建了1500多个高质量问答对。实验结果显示，即使最先进的AI模型在复杂空间推理方面仍存在显著局限，最高准确率仅为57%，远低于人类表现。研究还提出了PointGraph和SpatialCoT两种方法来增强模型的空间理解能力。

这篇研究介绍了DC-CoT，首个专门评估数据操作如何影响思维链(CoT)知识蒸馏的基准系统。北卡罗来纳大学教堂山分校等机构的研究者使用多种教师模型(如Gemini-Pro、Claude-3.5)和学生架构(3B-7B参数)，系统评估了数据增强、选择和混合对学生模型在多个推理任务上的表现影响。研究发现数据增强(尤其是逆向思维)最为有效，不同任务需要不同的最优策略组合，且存在"小模型学习能力差距"—较小学生模型可能从匹配其容量的较小教师中学习更有效。

近日，汉堡王德国分公司开始在其网站与移动应用上接受比特币支付。

未来，新华三将继续携手教育行业，立足教育行业信息化2.0的变革发展，着眼教学科研、校园管理，以融合创新的方式与合作的态度，让教育变革加速发生，以教育信息化促成教育现代化的实现。

ByteDance研究团队提出TiKMiX方法，通过引入"组影响力"概念动态调整AI训练数据配比，解决传统静态配方导致的训练效率低下问题。该方法能根据模型不同训练阶段的数据偏好实时调整，仅用传统方法20%的计算资源就实现更优性能，在多项测试中平均提升2%效果，为大模型训练提供了更智能高效的解决方案。

“数据丢失”一词听起来略显专业，似乎和普通人关系不大，但其实自人类有了语言、文字和书籍以来，广义上的“数据丢失”就屡见不鲜。大到朝代断代，文字失传；小到古法工艺难以再现，典籍流失。

H Company研究团队开发了开源网页操作AI系统Surfer-H，配备专门训练的Holo1视觉语言模型。该系统在WebVoyager基准测试中达到92.2%的成功率，媲美GPT-4性能但成本仅为其四分之一。研究团队还发布了专门的网页定位测试集WebClick，并完全开源模型权重，为AI技术民主化做出重要贡献。

这项由新加坡南洋理工大学主导的研究全面梳理了大型语言模型通过奖励信号学习的最新进展。研究揭示了一种革命性的AI训练范式：让AI像学生接受老师指导一样，通过奖励反馈主动学习和改进。这种方法已在ChatGPT等系统中应用，能显著提升AI在推理、对话、代码生成等任务上的表现，同时增强安全性和可靠性。

人类很难相信自己无法理解的机器，并最终阻碍了我们从这一创新技术中切实受益。

近日，Fortinet Accelerate 2024中国区巡展于在广州揭幕，群英荟萃，共同描绘网络安全领域的崭新蓝图。

这篇研究深入探讨了大语言模型在处理不同语言长文本时的位置偏差现象。研究团队分析了英语、俄语、德语、印地语和越南语五种语言，发现位置偏差主要由模型决定而非语言特性，Qwen模型偏好文本末尾位置信息，挑战了传统认为模型偏好早期信息的观点。研究还揭示明确告知模型正确上下文位置反而降低性能，而熵分析表明当正确信息位于模型偏好位置时，不确定性反而增加，为多语言AI应用提供了重要指导。

7月5日,“加速‘人工智能+’ 构筑新质生产力”主题活动在上海徐汇举行。值得一提的是,这是中央广播电视总台研究院自6月揭牌以来牵头主办的第一场落地活动。

以智能运维为基础的全新数字化生态系统正在形成，可以看到BMC提供了一整套解决方案，帮助各行各业的用户实现多云环境下的智能运维，最终成为一家成功的数字化企业。

Tool-Star是人民大学研究团队开发的AI多工具协作系统，它通过强化学习使大型语言模型能够自主调用多种外部工具进行推理。该系统采用创新的数据合成流程和两阶段训练框架，包括冷启动微调和带有层级奖励的自我批评强化学习。在10项挑战性推理任务中，Tool-Star展现出卓越性能，证明了多工具协作方法的有效性，为AI系统扩展能力边界开辟了新路径。

我们可以把Docker容器理解为一种沙盒。每个容器内运行一个应用，不同的容器相互隔离，并且每个容器之间还可以建立通信机制。容器的创建和停止都十分快速，容器自身对资源的需求也十分有限，远远低于虚拟机。

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。