“云上有个双全法，独享算力又省心”。在企业上云过程中，企业往往希望既有公有云弹性扩容、易于维护的优势，也能拥有自建数据中心安全稳定，性能独享的特点。

几乎每一个行业都在讨论大模型，每一个行业巨头都在训练大模型，人工智能已然进入了大模型主导的时代

不过首先要做到的，是保持人性。

上海交通大学团队提出SODEC图像压缩技术，突破传统扩散模型压缩速度慢、保真度差的限制。通过单步扩散处理、保真指导模块和比特率退火训练策略，SODEC实现比传统方法38倍的速度提升，同时在图像质量各项指标上超越现有最先进方法，为多媒体应用提供高效解决方案。

这篇研究论文展示了以物体为中心的表征(OCR)如何提升机器人操作的泛化能力。法国中央工学院的研究团队对比了全局、密集和基于OCR的视觉模型在模拟和真实环境中的表现，发现OCR方法(特别是VIDEOSAUR*)在各种视觉干扰条件下表现最佳。研究通过在机器人数据上预训练和加入时间动态信息，使OCR模型能像人类一样感知物体，而非混杂像素，为未来机器人视觉系统设计提供了新方向。

这项由上海交通大学、香港大学、上海AI实验室等16个机构联合完成的突破性研究，推出了RoboTwin 2.0智能机器人训练系统。该系统通过自动代码生成、全方位环境随机化和个性化适应策略，让机器人能在虚拟世界中学会复杂双手协作技能并成功转移到真实环境。实验显示真实世界任务成功率提升367%，完全开源共享推动整个机器人学界发展。

初创企业Swarm公司已经向联邦通信委员会提出申请，要求发射由150颗小型卫星构成的物联网星座体系。

复旦和腾讯联合开发的UnifiedReward-Think是全球首个具备链式思维推理能力的统一多模态奖励模型。该系统能像专业评委一样进行多维度深度分析，在图像和视频评估任务中全面超越现有方法，准确率提升5-25%。更重要的是，即使不展示推理过程，其内化的推理能力也能显著提升直接判断的准确性，为AI评估领域带来革命性突破。

首尔大学研究团队开发出名为ECoRAG的智能文档压缩框架，解决了AI系统在处理长文档时效率低下和准确性不足的问题。该技术通过"证据性"概念区分有用信息与干扰内容，并具备自我反思能力来决定所需信息量。实验显示，新方法在保持更高准确率的同时，显著减少了处理时间和计算成本，为搜索引擎、在线教育、医疗诊断等领域带来广阔应用前景。

Zebra 将继续在硬件产品组合中添加软件和解决方案，对各种平台实时数字化、重新设计端到端工作流程并创造分析洞察。

UC圣地亚哥和西蒙弗雷泽大学联合开发了GMT系统，这是首个能让机器人掌握多种人类动作的通用控制器。通过自适应采样和专家混合架构，单一系统可同时处理走路、跳舞、武术等复杂技能，在真实机器人上展现出卓越的稳定性和流畅性，为通用人形机器人的实现迈出关键一步。

这篇论文提出了一种名为SymMark的多功能共生水印框架，打破了传统大语言模型水印技术中鲁棒性、文本质量和安全性之间的权衡困境。研究者通过创新性地结合逻辑基础和采样基础水印方法，提出了串行、并行和混合三种协同策略。其中，混合策略利用标记熵和语义熵自适应地选择最佳水印方式，在各项指标上实现了最优平衡。实验表明，该框架显著优于现有方法，特别是在对抗攻击环境下表现出色，为大语言模型的内容认证与溯源提供了全新思路。

微软研究院新提出的"奖励推理模型"(RRM)为大型语言模型开创了全新评估方式。传统奖励模型对所有问题使用统一计算资源，而RRM能像人类一样先进行推理思考再做判断，对复杂问题投入更多思考资源。研究团队通过强化学习框架训练模型自主发展推理能力，无需显式示例。实验证明RRM在多个基准测试上表现优异，能自适应扩展计算资源提升判断准确性。该研究为AI评估系统带来范式转变，使人工智能判断更接近人类思考过程。

首尔大学团队提出QWHA方法，通过沃尔什-阿达马变换和智能参数分配策略，有效解决了AI大模型压缩后性能下降的难题。该方法在保持模型精度的同时大幅提升计算效率，特别在极低精度量化场景下优势明显，训练速度比传统方法快3-5倍，为AI技术在移动设备和边缘计算中的普及应用开辟了新路径。

CPU只有方寸大小，却足以撼动世界。在国内CPU研发之路上，飞腾公司有着浓墨重彩的一笔。今天，也是飞腾CPU首届生态合作伙伴大会召开的日子。

上海AI实验室联合清华大学等顶尖院校发布的InternVL3，通过原生多模态预训练突破了传统AI模型"先语言后视觉"的局限。该模型在MMMU基准测试中获得72.2分，超越所有开源模型，并引入变长视觉位置编码和混合偏好优化等创新技术，全面开源为AI社区贡献宝贵资源。

在生命科学领域，数字孪生的应用尚处于起步阶段。不过随着数字化的中心效应愈发明显，众多企业也开始纷纷投身于这个极具前景的创新概念。

该研究首次通过实验揭示了人类在战略博弈中如何对待大语言模型(LLM)对手。爱丁堡大学研究者发现，在p-美丽竞赛游戏中，人类面对LLM对手时会选择显著较低的数字，特别是增加了选择"零"的频率。高战略推理能力的参与者更倾向于这种行为转变，他们期望LLM能够理性推理至均衡，甚至具有合作倾向。这些发现对未来人机混合环境的机制设计具有重要启示，揭示了战略互动中人类对AI的特殊期望。

SmolVLA是由Hugging Face、巴黎索邦大学等机构联合开发的小型视觉-语言-动作模型，专为低成本机器人设计。与现有模型相比，它仅有4.5亿参数（小10倍），却能达到相当性能。SmolVLA采用精巧架构设计，可在单GPU训练、CPU部署，并使用社区收集的数据集训练。研究还引入异步推理策略，提高了机器人的响应速度和适应性。实验证明，它在模拟和真实环境中的表现均超越许多资源密集型模型，为机器人技术的普及开辟了新途径。

中央民族大学徐桂先团队创建了首个专门用于中国少数民族语言新闻标题生成的大规模数据集CMHG，包含藏语10万条、维吾尔语和蒙古语各5万条高质量数据。该数据集通过严格的母语使用者评估体系确保质量，并在多个先进模型上验证了有效性，为解决少数民族语言AI技术资源稀缺问题提供了重要基础，现已在Hugging Face平台开放共享。