2022年10月，国家市场监督管理总局、国家标准化管理委员会正式批准发布GB/T 18801-2022 《空气净化器》国家标准

存储在交换机中扮演着什么样的角色？

企业软件巨头Red Hat近日在年度用户大会Red Hat Summit上发布了一系列与人工智能相关的公告。

随着“人工智能时代”这一全新阶段的出现，新挑战也已经出现——中国应如何保证在“人工智能时代”不落后，甚至领先全世界。答案在我看来就是3个字：根技术。

当市场变幻莫测、未来充满不确定性，您的业务需求也可能需随之而变。保持灵活高弹性，能助您迅速调整、快速响应，确保业务能在竞争激烈的市场中脱颖而出的关键。面对数据中心建设，还有一种高弹性选择，足以在未来的不确定性中寻找确定：随需而变，快人一步！

「 老易说：“如果你羡慕大佬，那你自己就变成大佬。对抗恐惧最好的办法就是直面恐惧，就这么简单。”」

上海新金融研究院两个月前的一次海外调研发现,新加坡及周围国家和地区的金融科技公司,大多数都是中国企业“走出去”,即使是当地人注册的公司,其人才、技术、产品和业务模式也往往来自中国。

值辞旧迎新之际，科技行者公布人工智能2017年度评选，涵盖10大AI事件、50家AI公司、61位AI人物，以记录2017年在人工智能上的重大进步。

Enigmata是一项突破性研究，通过合成可验证的拼图训练大语言模型的逻辑推理能力。该研究创建了包含36种任务、7大类推理能力的完整训练系统，每项任务都配备了可控难度生成器和自动验证器。基于此训练的Qwen2.5-32B-Enigmata模型在拼图推理基准上超越了o3-mini-high和o1等顶尖模型。更令人惊喜的是，当应用于更大规模模型时，这些拼图数据不仅提升了模型解决拼图的能力，还意外增强了其数学和STEM推理能力，展示了纯逻辑训练带来的广泛泛化优势。

近日，英特尔和SAP SE宣布展开战略合作，旨在于云端提供更强大、可持续的SAP(R)软件系列。该合作意在帮助客户实现更高的可扩展性、灵活性和对现有SAP软件系列的整合。

中国人民大学团队开发了DLLM-Searcher，一种基于扩散大语言模型的新型AI搜索系统。该系统通过两阶段训练和创新的P-ReAct工作模式，让AI能够边思考边搜索，避免传统搜索助手等待时间过长的问题。实验显示，该系统在保持准确率的同时，推理速度提升约15%，为AI搜索代理技术带来重要突破。

这项研究介绍了VisCoder，一个经过专门微调的大语言模型，用于生成可执行的Python可视化代码。研究团队创建了包含20万样本的VisCode-200K数据集，结合了可执行代码示例和多轮修正对话。在PandasPlotBench基准测试中，VisCoder显著优于同等规模的开源模型，甚至在某些方面超越了GPT-4o-mini。研究还引入了自我调试评估模式，证明了反馈驱动学习对提高代码可执行性和视觉准确性的重要性。

随着全闪存的普及，存储性能的宣传战争变得越来越激进，在2008年，10万IOPS已经是非常高的性能，而十年后的今天，1000万IOPS已经成为多家厂商宣传的主题。而存储响应速度的另一个指标时延已经从毫秒演进到了微秒时代。

QVGen是一项突破性研究，致力于解决视频扩散模型在低比特量化时的性能挑战。研究团队通过理论分析发现，降低梯度范数是改善量化感知训练收敛性的关键，因此引入了辅助模块来减轻量化误差。为消除这些模块在推理阶段的开销，他们创新性地提出了秩衰减策略，通过奇异值分解和基于秩的正则化逐步移除低影响组件。实验证明，QVGen是首个在4比特设置下达到与全精度相当性能的量化方法，其3比特实现也显著优于现有技术。这一成果为高效视频生成在普通设备上的应用铺平了道路。

这项来自KU Leuven、中科大和上海Memory Tensor公司的研究探索了如何利用拼图游戏训练多模态大型语言模型的视觉推理能力。研究发现，现有模型在未经训练时表现近似随机猜测，但通过强化学习能达到近乎完美的准确率并泛化到更复杂的拼图配置。有趣的是，模型能否有效学习与是否包含明确推理过程无关，且复杂推理模式是预先存在而非突然出现的。此外，研究证明强化学习在泛化能力上优于监督微调，挑战了传统的模型训练范式。这些发现不仅揭示了AI视觉理解的机制，还为未来多模态模型研发提供了重要参考。

中科院团队开发的BridgeVLA系统实现了机器人学习的重大突破，仅需3次演示就能让机器人掌握复杂操作技能，成功率达96.8%。该系统通过巧妙的输入输出对齐设计和创新的预训练策略，让机器人能够真正理解三维空间和语言指令，为智能机器人的普及应用奠定了重要基础。

NVIDIA联合CMU等机构开发了AUSM通用视频分割模型，首次将语言模型思路引入视频理解，用一个模型统一处理各种视频任务。该模型采用创新的并行训练策略，训练速度提升2.5倍，在七个权威数据集上均达到领先水平。AUSM突破了传统方法需要针对不同任务训练专门模型的限制，为视频AI应用提供了更简洁高效的解决方案。

斯坦福和伯克利研究团队推出VidDiff技术，让AI学会像专业教练一样精准识别动作差异。该技术通过三步走方法解决视频动作比较难题，构建了包含549对视频的大型数据集VidDiffBench。虽然当前AI模型准确率有限，但已展现在健身指导、医学培训、体育分析等领域的应用潜力。研究为AI理解细微动作差异开辟新方向，有望让人人享有智能化的动作指导。

生成式AI的世界近年来经历了翻天覆地的变化。特别是在图像和视频生成领域，扩散模型（diffusion models）和整流流模型（rectified flows）的出现，极大地提升了AI生成内容的质量和多样性。这些模型就像是拥有惊人创造力的艺术家，能够根据文字描述创作出令人惊叹的图像或视频。

StepFun和清华大学联合提出Open-Reasoner-Zero，这是首个开源的大规模推理导向强化学习训练框架。该方法采用极简的vanilla PPO算法直接在基础模型上训练，无需复杂预处理，仅用十分之一训练时间就在多个数学推理基准上超越了DeepSeek-R1-Zero。研究证明了简单方法在AI推理训练中的强大潜力。