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。

国家数据局等部门关于印发《“数据要素×”三年行动计划（2024—2026年）》的通知

这项由奥地利约翰内斯开普勒大学团队开发的pLSTM技术，创新性地解决了人工智能在处理多维数据时的核心难题。通过引入源门、转换门和标记门三种机制，实现了真正的多维并行信息处理。在箭头指向外推任务中展现出优异的泛化能力，在图像识别和分子图谱分析等实际应用中也显示出强大潜力，为构建更智能的多维信息处理系统开辟了新路径。

这项由北京大学等多所高校联合完成的研究，首次对OpenAI GPT-4o的图像生成能力进行了全面评估。研究团队设计了名为GPT-ImgEval的综合测试体系，从文本转图像、图像编辑和知识驱动创作三个维度评估GPT-4o，发现其在所有测试中都显著超越现有方法。研究还通过技术分析推断GPT-4o采用了自回归与扩散相结合的混合架构，并发现其生成图像仍可被现有检测工具有效识别，为AI图像生成领域提供了重要的评估基准和技术洞察。

波兰研究团队发现，即使是最先进的AI大模型在处理波兰语等非主流语言时也极其脆弱，仅通过几个拼写错误或字符替换就能让AI做出错误判断。研究团队开发了一套巧妙的测试框架，使用小型代理模型找出关键词汇，然后对这些词汇进行十种不同的"伪装攻击"。实验结果显示，这些简单攻击能让先进AI模型的错误率飙升至48%以上，揭示了当前AI技术在多语言安全方面的严重漏洞。

9月16-18日，2022CSDI峰会帮助企业利用技术认知、AI、云计算、大数据等进行数字化重塑。

香港科技大学研究团队发布了Audio-FLAN，这是全球首个大规模音频指令训练数据集。该数据集涵盖语音、音乐、声音三大领域的80个任务，包含超过1亿个训练样本，首次实现了音频领域的统一指令学习。通过类似ChatGPT的训练方法，Audio-FLAN能够训练出既能理解又能生成音频的通用AI模型，有望推动音频人工智能从专业化工具向通用助手的转变。

Sa2VA是由UC默塞德等高校联合开发的突破性AI系统，首次实现图像视频的统一理解与精确分割。通过巧妙融合SAM-2视频分割技术和LLaVA多模态对话能力，Sa2VA能够同时进行自然对话和像素级物体标注。研究团队还构建了包含7万多个复杂视频表达式的Ref-SAV数据集，显著提升了AI在长文本描述和复杂场景下的表现。实验显示，Sa2VA在多个基准测试中达到业界领先水平，为视频编辑、医疗诊断、智能监控等领域带来新的应用可能性。

北航团队推出Easy Dataset框架，通过直观的图形界面和角色驱动的生成方法，让普通用户能够轻松将各种格式文档转换为高质量的AI训练数据。该工具集成了智能文档解析、混合分块策略和个性化问答生成功能，在金融领域实验中显著提升了AI模型的专业表现，同时保持通用能力。项目已开源并获得超过9000颗GitHub星标。

上海AI实验室团队开发出革命性的MoM（记忆混合体）AI架构，通过模仿人脑海马体的神经机制，为AI系统配备多个独立记忆仓库，彻底解决了传统AI模型处理长文本时的"健忘"问题。该技术在保持线性计算效率的同时，性能接近甚至超越传统Transformer模型，为长文档理解、代码分析、智能对话等应用领域带来突破性进展，现已完全开源供全球研究者使用。

港中文团队发布首个AI网站生成能力基准测试WebGen-Bench，评估结果显示即使最强模型准确率仅27.8%，但通过专门训练的WebGen-LM-32B模型达到38.2%，为AI建站技术发展提供重要参考。

斯坦福大学和字节跳动联合研究团队开发出混合上下文（MoC）技术，革命性地解决了AI长视频生成中的记忆与计算难题。该技术将视频生成重新定义为信息检索问题，通过智能选择最相关历史信息，实现了85%稀疏化率，计算效率提升7倍，生成速度提升2.2倍，能稳定生成分钟级高质量连贯视频，为视频创作民主化开辟新路径。

杜克大学与Zoom合作研究揭示，即使最先进的AI模型在复杂多步骤任务中成功率也不足60%。研究团队通过LiveMCP-101测试平台的101个真实任务，发现AI智能体存在七种主要失误模式，其中语义错误最为普遍。该研究采用创新的实时对比评估方法，为改进AI系统指明了方向。

围绕英伟达历年业绩、数据中心业务与科技巨头资本支出情况、企业对外投资情况、AI产品线最新进展等方面进行解读。

李飞飞的World Labs以"空间智能"重新定义AI，专注3D物理世界理解，4个月估值飙至10亿美元，获科技巨头集体押注。她揭示语言无法编码物理世界，而DNA双螺旋等突破性发现都源于三维空间的深度认知。

中山大学联合深圳气象创新研究院开发出PASSAT模型，这是首个同时融合物理约束和球面拓扑的AI天气预报系统。该模型通过球面图神经网络处理地气相互作用，用物理方程计算大气流动，避免了传统平面投影的几何扭曲问题。测试显示PASSAT在多项指标上超越现有AI模型，甚至优于部分业务化数值预报系统，为AI气象预报开辟了新路径。

新加坡科技设计大学研究团队开发出SonicMaster，这是首个支持自然语言控制的统一音频修复系统。该系统能够同时处理音乐录制中的19种常见问题，包括混响、削波、频响不平衡等，用户只需用普通话描述需求即可获得专业级处理效果。研究团队构建了包含17.5万音频样本的训练数据集，测试显示系统在客观指标和主观听感上均显著优于传统方法，为音频处理技术的普及应用提供了新思路。

TransPixeler是由香港科技大学和Adobe研究院联合开发的AI视频生成技术，专门解决生成带透明效果（RGBA）视频的难题。该技术巧妙扩展现有视频生成模型，让AI能同时生成RGB颜色和Alpha透明度信息，避免了传统"先生成后提取"方法的缺陷。通过精心设计的注意力机制和训练策略，TransPixeler在有限数据下实现了高质量透明视频生成，为电影特效、游戏开发、VR/AR等领域提供了强大工具。

Y Combinator(YC)合伙人兼董事总经理迈克尔·塞贝尔(Michael Seibel)，作为Twitch的联合创始人（Twitch被亚马逊以9.7亿美元收购），同时也是Reddit和Dropbox董事会成员，他亲历过创业死亡边缘又逆袭成功，拥有从失败边缘逆转为10亿美元级公司的一手经验。他在YC工作期间，见证了数千家初创公司的兴衰，所以这次长达1小时的对话内容极其丰富，几乎涵盖了创业之路上每一个关键问题——从创始人心理特质到融资策略，从MVP到转型决策，从融资陷阱到YC模式等豪华内容。

这份来自向量研究所、康奈尔大学和格罗宁根大学研究团队的综述分析了基于大语言模型的代理型多智能体系统中的信任、风险和安全管理框架(TRiSM)。研究系统地探讨了代理型AI从概念基础到安全挑战，提出了包含治理、可解释性、模型运营和隐私/安全四大支柱的TRiSM框架。文章还详细分析了威胁向量、风险分类，并通过真实案例研究展示了潜在脆弱性。