德州仪器 (TI) 推出新一代支持边缘 AI 的雷达传感器和汽车音频处理器，帮助汽车制造商重新定义和改进车内的驾乘体验

特拉维夫大学研究团队发现AI在思考时具备类似人类的"进度感知"能力，并开发出"超频"技术让AI思考更高效。通过提取AI内部的"思考进度向量"，不仅能实时显示AI的思考进展，还能主动调节思考速度。实验显示该技术在数学推理任务中将AI思考时间缩短30%的同时提升了答题准确率，为AI的可解释性和效率优化开辟了新方向。

香港中文大学团队开发出MathCoder-VL，这是首个通过代码理解数学图形的AI模型。该系统将图形转换为精确绘图代码，而非模糊的自然语言描述，从而实现对几何图形的精确理解。研究团队构建了860万图形-代码配对的训练数据集，让AI学会"看图写代码"，并能创造性地生成新的数学图形。在几何问题测试中，MathCoder-VL超越了GPT-4o等顶级商业模型，为数学教育AI应用开辟了新道路。

这篇论文介绍了一种名为"低秩克隆"(LRC)的新型知识蒸馏方法，能极大提升小型语言模型的训练效率。哈尔滨工业大学深圳校区和百度公司的研究团队通过训练可学习的低秩投影矩阵，同时实现了软剪枝和激活克隆，避免了传统方法中的信息损失和对齐效率低下问题。实验证明，仅用100亿-200亿文本单元训练的LRC模型性能可匹配或超越需要万亿级训练数据的现有模型，训练效率提升1000倍以上，为资源受限场景下的高性能语言模型开发提供了突破性解决方案。

11月8日，在2023年世界互联网大会上，奇安信集团举办了NGSOC产品战略升级发布会，作为奇安信集团的核心产品之一，NGSOC曾是2022年北京冬奥会安全运营中心核心安全监测平台，连续4年在态势感知与安全运营领域市场份额第一。

李佳琦的一句“够不够努力”，伤了所有打工人的心，也将我们的视线再次拉回到直播电商，我们发现国内的直播环境早已发生了巨变。

这项研究提出了统一预算感知（UBA）学习率调度器，解决了深度学习训练中的关键问题：如何在有限迭代次数下获得最佳模型性能。北京大学的研究团队通过构建理论框架，推导出一种只需单一超参数φ的学习率调度方法，实现了灵活性与简单性的平衡。实验结果显示，UBA在视觉和语言任务中，跨不同网络架构和训练预算，始终优于现有方法。该研究不仅提供了理论基础，还建立了参数φ与优化难度的关联，为机器学习实践者提供了一个强大且易用的工具。

疫情流行确实加快了人工智能在医疗保健领域的广泛应用，并推动AI逐步渗透至当前最引人注目的核心挑战。

这项研究介绍了FinTagging，首个面向大型语言模型的全面财务信息提取与结构化基准测试。不同于传统方法，它将XBRL标记分解为数值识别和概念链接两个子任务，能同时处理文本和表格数据。在零样本测试中，DeepSeek-V3和GPT-4o表现最佳，但在细粒度概念对齐方面仍面临挑战，揭示了当前大语言模型在自动化XBRL标记领域的局限性，为金融AI发展提供了新方向。

中山大学研究团队开发了SWE-Factory自动化系统，通过四个AI助手协作完成GitHub问题解决环境构建。系统利用程序退出码实现自动评分，解决了传统手工方法费时费力的问题。实验显示能以低成本自动构建数百个有效测试实例，为AI软件工程训练提供大规模高质量数据，有望推动编程AI工具的快速发展。

本文介绍了一种新的提示方法,旨在充分利用多智能体人工智能系统。随着智能体AI的兴起,我们将面临如何通过提示来调用合适的智能体AI完成任务的挑战。文章探讨了"驾驶员座位"和"乘客座位"两种提示方法,并提供了实际应用示例。同时还介绍了最新的多智能体AI研究进展,包括基于句子嵌入的智能体推荐技术。

香港科技大学研究团队推出VL-Rethinker，这是首个能在视觉语言任务中进行深度反思的AI系统。通过创新的"选择性样本回放"和"强制反思"训练策略，VL-Rethinker在数学视觉推理等任务上显著超越GPT-o1，证明了AI可以学会像人类一样自我检查和纠错，为构建更智能可靠的多模态AI系统开辟了新路径。

在服装制造业中，数字孪生计划可以容纳从样式设计到面料选择、再到生产流程的所有细节信息。将数字孪生引入制造业能够显著减少织物浪费。

长久以来，法律制度一直很难对人的心理状态——包括记忆、责任与心理成熟度——做出客观描述。如今，科技有望成为法庭判决的突破口，神经科学家已经发现其中的模式，也许未来的呈堂证供将变得更加有据可循。

11月1日，以“无界BOUNDLESS · 数织未来AI同行”为主题的2024 绿盟科技TechWorld智慧安全大会在北京如约启幕。

从一个牛年走到了另外一个牛年，从初生的牛犊一步一步成长到今天，墨迹天气在深入探索生活万物与气象的样态中，试图寻找一个赋能的连接点。

南加州大学研究团队开发出一种名为PILS的新技术，能够通过分析AI模型输出时的概率信息来破解隐藏的系统指令。这种方法通过观察AI生成文本过程中多个步骤的"思考轨迹"，将隐藏提示的恢复成功率提高了2-3.5倍。研究发现AI模型的概率输出存在于低维空间中，可以用数学方法进行压缩和逆向分析。这项发现对AI安全具有重要影响，揭示了当前依赖隐藏指令的安全机制可能存在漏洞，为AI安全防护提出了新挑战。

爱丁堡大学研究团队发现现有视觉语言模型难以准确预测现实世界变化，创新性地提出"师傅带徒弟"训练策略。通过让擅长反向推理的动态模型指导世界模型学习，在多个真实场景测试中超越专业图像编辑模型15%。该方法包括合成数据生成和推理时验证两种策略，为人工智能理解物理世界变化提供新思路。

想象一下，你拥有一个智能助理，它可以为你安排日程、搜索信息、甚至编写代码。这些助理越来越像是我们生活和工作的小伙伴，而不仅仅是简单的问答工具。它们可以操作各种工具，在不确定的环境中自主导航，有时甚至几乎不需要人类监督。这种先进的系统被称为"智能助手"（agentic systems）。

FuriosaAI团队提出突破性的Draft-based Approximate Inference框架，通过小模型预测指导大模型智能管理资源。研究开发了SpecKV和SpecPC两种方法，分别用于KV缓存管理和文本压缩，在保持高准确性的同时显著降低内存使用和计算延迟，为长文本AI推理提供了高效可行的解决方案。