近日，勒索攻击事件频发，其攻击规模和频率以惊人的速度增长。

蚂蚁集团联合西湖大学推出MoBE技术，通过创建共享基础知识库的方式，成功将万亿参数AI模型压缩30%，性能损失仅为2%。该技术突破了传统压缩方法7%-14%性能损失的瓶颈，有望大幅降低AI部署成本，推动强大AI能力的普及应用。研究团队已开源相关代码。

上海AI实验室联手复旦大学提出了POLAR方法，这是一种革命性的奖励模型训练技术。通过让AI学会识别不同策略间的差异而非死记评分标准，POLAR在多项任务上实现了显著提升，7B参数模型超越72B现有最强基线，为AI对齐问题提供了全新解决思路。

3D数字人技术场景化落地进程的加快，不仅为解决ToC领域的应用痛点提供了可能，也让水务等传统行业的数字化、智慧化转型找到新的抓手。

这项由阿伯丁大学和格勒诺布尔阿尔卑斯大学研究者联合完成的研究揭示了大语言模型处理日期时的关键问题：现代分词器常将日期分割成无意义的碎片，如"20250312"被切分为"202"、"503"、"12"，这严重影响时间推理能力。研究提出了日期碎片化率指标，创建了DATEAUGBENCH测试集，并通过内部机制分析发现，大型模型能在早期层快速"修复"碎片化日期，但其推理路径与人类理解方式显著不同，这解释了模型在处理非标准日期时的准确率下降。

叮咚买菜的时效背后，是完善的冷藏保鲜、低温分拣以及移动仓储等设备能力、平台的超级算力、运力以及智能化解决方案共同达成的结果。

约翰霍普金斯大学团队开发了VLV系统，仅用1000美元成本就能达到GPT-4o级别的AI图像描述效果。该系统巧妙组合现有的视觉编码器、扩散模型和语言模型，通过两阶段训练实现高质量图像描述。测试显示VLV在重建质量和人类评价方面与顶级商业模型相当，同时具备出色的空间理解和创意组合能力，为AI技术普及化提供了新思路。

新加坡联合研究团队首次全面解析R1-Zero训练方法，发现传统算法存在隐藏偏差，提出改进版Dr. GRPO算法。研究揭示AI"自我反思"能力的真相，并用极简配方在7B模型上创造AIME 2024新纪录，为AI推理训练提供重要洞察和实用改进方案。

微软研究院联合北京大学、清华大学提出"强化预训练"新方法，让AI在预测下一个词前先进行深度思考推理。该技术将传统的模式匹配升级为真正的逻辑推理，显著提升了语言模型的预测准确性和推理能力，为人工智能从"背诵"向"理解"的转变开辟了新路径。

中国农业大学研究团队开发了名为FSG-Net的遥感图像变化检测系统，通过频域-空域协同处理技术，能够精准识别卫星图像中的真实地面变化，同时有效过滤光照、季节等因素造成的虚假变化。该系统在三个权威数据集上达到90%以上的检测准确率，为城市规划、环境监测、灾害评估等领域提供了更可靠的技术支持。

Accenture研究团队推出MCP-Bench评估基准，通过连接28个真实服务器和250个工具构建复杂任务生态系统，测试AI助手处理现实多步骤任务的综合能力。研究发现即使顶级模型在基本工具使用上已趋成熟，但在多工具协调和长期规划方面仍面临重大挑战，为AI助手发展指明新方向。

数字化转型是企业用户迎接新经济环境挑战的一个途径，可是怎样实现由流程驱动向数据驱动的数字化转型，很多用户，甚至应用系统的研发和实施厂商都在困惑中探索

当前，越来越多的5G创新应用和成功商业实践已经在工厂里落地生根，助力制造企业实现成本的节约和效率的提升。

复旦大学联合多所知名院校开发了GeometryZero模型，通过创新的群体对比策略优化（GCPO）方法，让小尺寸AI模型具备了类似数学专家的几何推理能力。该模型能智能判断何时使用辅助构造工具，在多个几何基准测试中表现优异，为AI教育应用的普及化奠定了基础，展现了专门化训练的巨大潜力。

数源AI推荐的论文介绍了Panda-70M数据集，该数据集通过多模态教师模型自动为7000万个视频生成高质量字幕。研究表明，该数据集在视频字幕生成、视频文本检索和文本驱动视频生成等下游任务上表现优异。

随着5G规模商用，数字世界和物理世界的边界将被打破，数字化红利也将从ICT领域扩展到整个社会。展锐高举5G和AI两面技术旗帜，致力于支撑工业体系和社会智能化。

这项研究创建了包含10,610张高质量摄影图片的DSD数据集，每张图片都配有三层人工标注和精确分割。通过对比实验证明，使用高质量数据训练的AI视觉模型在图像理解和描述能力上显著优于传统方法，其中LLAVA-NEXT模型性能提升达24%，验证了"数据为王"的AI发展新范式。

宁夏西云数据科技有限公司（以下简称“西云数据”）深度参与行业变革进程，深度融合全球前沿技术与中国本土化实践场景，积极支持航旅企业以“运营智能、体验升级、管理提效”为目标，推进业务模式重塑与服务体系革新，加速推进面向未来的智能化重塑。

浙江大学研究团队提出的Omni-R1是一种创新型全模态AI框架，它采用"双系统"协作架构解决了长时间视频理解与精细像素处理之间的根本矛盾。全局推理系统处理低分辨率完整视频并选择关键帧，细节理解系统则对高分辨率关键帧进行精细分析。通过端到端强化学习方法训练，Omni-R1在指代音视频分割和推理视频物体分割等任务中显著超越了现有模型，同时还意外地减轻了多模态幻觉问题。这一研究为构建更全面的通用AI基础模型提供了新思路。

浙江大学研究团队首次将3D占用预测引入视觉定位，开发出GroundingOcc模型和Talk2Occ数据集。该技术能让自动驾驶汽车精确理解"前面那辆蓝色轿车"等自然语言指令，并以体素级精度定位目标物体，定位准确率达32.68%，相比传统方法提升18.13%，为智能交通人机交互提供新突破。