上海交通大学研究团队发现扩散式大语言模型存在严重安全漏洞，其开发的DIJA攻击方法能以接近100%成功率绕过AI安全防护，诱导模型生成危险内容。该攻击利用扩散模型的双向建模和并行解码特性，通过插入掩码标记让AI误以为是填空练习，从而规避安全检查。现有防护措施对此类攻击几乎无效，凸显了新兴AI架构安全评估的紧迫性。

首尔国立大学研究团队提出STR-Match视频编辑技术，通过创新的时空相关性分数(STR分数)解决传统方法在帧一致性、运动保持和域转换方面的局限。该方法无需重新训练模型，可直接应用于现有文本到视频生成模型，在极端编辑场景下仍能保持高质量输出，为视频编辑领域带来突破性进展。

对基于AI型欺诈识别方案的深入研究。

昆仑公司Skywork AI团队开发的Skywork R1V模型，成功将文本推理能力扩展到视觉领域。该模型仅用380亿参数就实现了与大型闭源模型相媲美的多模态推理性能，在MMMU测试中达到69.0分，在MathVista获得67.5分，同时保持了优秀的文本推理能力。研究团队采用高效的多模态迁移、混合优化框架和自适应推理链蒸馏三项核心技术，成功实现了视觉理解与逻辑推理的完美结合，并将所有代码和权重完全开源。

开源是推动科技创新的关键路径，尤其是在软件定义时代的今天，凭借着开放、共享、灵活、包容等特点，开源已经成为推动全球企业数字化发展的重要推手。

中科院软件所与阿里巴巴合作开发的RefCritic系统，首次让AI具备了真正的"教学能力"。通过创新的双重奖励机制，该系统不仅能准确判断答案对错，更能提供切实有效的改进指导。在数学竞赛等高难度测试中，RefCritic指导下的学生正确率提升超过7%，甚至能够指导比自己更强大的AI模型，展现了"授人以渔"的智能新范式。

比利时蒙斯大学和美国南加州大学联合开发了Social-MAE，这是一个能够同时理解人脸表情和声音情感的AI系统。该系统通过分析8个连续视频帧和音频特征，在VoxCeleb2大型社交数据集上进行自监督学习，在情感识别、笑声检测和性格分析三项任务中均达到了业界最佳水平，为智能教育、医疗诊断、人机交互等领域开辟了新的应用前景。

这项德国图宾根大学的研究发现当前AI视觉语言模型存在"半真半假漏洞"，即在正确描述后添加错误细节时，模型会给出更高相似度评分。研究团队提出CS-CLIP解决方案，通过将描述分解为组件并进行精细化训练，显著提升了AI的组合理解能力，为构建更可靠的视觉AI系统奠定了基础。

阿里通义实验室发布首个媲美顶级闭源系统的开源超级网络智能体WebSailor，突破性解决开源模型在超高不确定性任务中的系统性推理难题，在BrowseComp基准测试准确率提升3倍，标志着开源技术在复杂信息搜索领域的历史性跨越。

阿里巴巴Qwen团队发布Qwen2.5-1M系列AI模型，实现百万字符长文本处理能力突破。该系列包含开源的7B和14B模型以及API版本Qwen2.5-Turbo，通过创新的训练策略和推理优化技术，让AI能够同时理解相当于四本《哈利·波特》篇幅的内容，并在多项长文本基准测试中超越GPT-4表现，为处理复杂文档分析、大型代码库理解等实际应用提供了强大支持。

香港大学团队开发的VFMTok技术革新了AI图像生成领域，通过使用预训练视觉基础模型和区域适应性采样策略，仅用256个令牌就实现了超越传统方法的图像生成质量。该技术不仅将生成速度提升3倍，还在ImageNet基准测试中创造了2.07的新纪录，为AI图像生成的实际应用奠定了坚实基础。

月之暗面Kimi K2技术报告：解读万亿参数的智能体模型（含K2与DeepSeek R1对比）

黄仁勋在巴黎GTC上，描绘出一副由AI工厂驱动新工业革命的完整“蓝图”。

清华大学和微软联合开发的LeanK技术通过智能识别AI记忆系统中的重要性模式，实现了70%的内存节省和30%以上的速度提升，同时几乎不影响对话质量。该技术采用两阶段训练方法学习静态重要性分布，可与其他优化方法组合使用，为长对话AI的普及应用奠定了基础。

德国的百年老店不少，但至今仍然骄傲地以家族企业形象示人的不多，德国“工业巨鳄”博世集团便是其中之一。

Meta等机构研究发现，让大语言模型学会使用外部工具比死记硬背所有知识更高效。研究通过数学证明和实验验证，传统的参数记忆存在严格容量限制，而工具学习能实现无限扩展且不损害原有能力。这为AI发展提供了新思路：从堆叠参数转向构建智能工具协作系统。

这项来自Yandex和多所国际院校的突破性研究首次实现了多个大语言模型的实时协作推理，让AI能像人类团队一样即时分享思考过程并自发分工合作。通过创新的共享注意力缓存技术，多个AI可以同时处理复杂问题，避免重复劳动，相互纠错验证，显著提升解题效率和准确率，为AI从单体智能向群体智能转变开辟了新路径。

清华大学提出MoveGCL框架，首次实现在完全不共享敏感出行数据的前提下，多城市协作训练全球通用人工智能出行预测模型。该技术通过生成虚拟轨迹传递知识，结合混合专家系统和渐进式学习策略，在六个美国主要城市的测试中展现出优异性能，为隐私保护下的协作学习提供了新范式。

上海AI实验室联合清华等机构发现，通过"测试时计算扩展"策略，小型AI模型可以战胜参数规模大135倍的巨型模型。10亿参数的模型在数学推理任务上超越了4050亿参数的模型，甚至5亿参数的迷你模型都能胜过GPT-4o。研究揭示了AI发展新方向：聪明的推理策略比模型规模更重要，为资源有限的机构提供了"以智取胜"的可能性。

KAIST研究团队开发出RL-ZVP方法，首次让AI从训练中的"无用数据"学习。传统方法遇到全对或全错答案时会停止学习，但RL-ZVP通过分析词汇重要性给予精确反馈。在数学推理测试中，该方法比现有技术提升高达8.6个准确率点，且训练过程更稳定。这项突破重新定义了AI训练范式，证明了被忽视的训练数据实际蕴含巨大学习潜力。