/
为创意写作量身定制：Midjourney团队如何让AI写作变得更有趣更多样化
这项由Midjourney团队主导的研究解决了AI创意写作中的关键问题：如何让AI既能写出高质量内容，又能保持创作的多样性和趣味性。通过引入"偏差度"概念和开发DDPO、DORPO两种新训练方法，他们成功让AI学会从那些被传统方法忽视的优秀独特样本中汲取创意灵感，最终训练出的模型在保持顶级质量的同时，创作多样性接近人类水平，为AI创意写作开辟了新方向。
改写多模态AI的"火眼金睛"：上海AI实验室让机器学会逐步推理判断
上海AI实验室联合多所高校开发出VisualPRM系统，这是首个专门用于多模态推理的过程奖励模型。该系统能像老师批改作业一样逐步检查AI的推理过程，显著提升了AI在视觉推理任务上的表现。研究团队构建了包含40万样本的训练数据集和专门的评估基准，实现了在七个推理基准上的全面性能提升，即使是最先进的大型模型也获得了5.9个百分点的改进。
上海AI实验室团队提出LEGO-Puzzles：揭露多模态大模型在空间推理上的惊人短板
上海AI实验室团队通过LEGO积木设计了创新评测基准LEGO-Puzzles，系统测试了20个先进多模态大语言模型的空间推理能力。研究发现即使最强AI模型准确率仅57.7%，远低于人类93.6%的表现，揭示了当前AI在三维空间理解和多步序列推理方面的重大不足，为机器人、自动驾驶等应用发展提供重要参考。
字节跳动团队突破性成果：让AI记住你的脸，随心所欲重塑照片的新技术
字节跳动团队突破了AI图像生成领域的三大难题：身份识别不准确、文字理解偏差和图片质量不佳。他们开发的InfiniteYou技术采用创新的InfuseNet架构和多阶段训练策略，能够根据用户照片和文字描述生成高质量个性化图像。实验显示该技术在身份相似度、文本匹配度和图像质量方面均超越现有最佳方案，并具备出色的兼容性，为个性化内容创作开辟了新道路。
AI推理能力再次升级！新加坡国立大学团队发布多模态思维链推理全面调研报告
这份由新加坡国立大学等顶尖学府研究团队发布的调研报告，系统梳理了多模态思维链推理这一前沿AI技术的发展现状。该技术让AI具备了同时处理文字、图像、音频等多种信息并进行逐步推理的能力，在医疗诊断、自动驾驶、智能机器人等领域展现出巨大应用潜力，代表了AI从简单工具向真正智能伙伴进化的重要一步。
机器人也能从"失败"中学习？上海交大团队让机器人训练数据少用80%却更聪明
上海交大等机构联合提出ADC方法，通过双人协作的对抗性数据收集策略，让机器人仅用20%的训练数据就能获得更强的环境适应能力和指令理解能力。该方法引入"对抗操作员"在训练过程中制造视觉和语言扰动，迫使主操作员实时调整策略，从而大幅提升数据信息密度和机器人的鲁棒性表现。
让静态人像"开口说话"：Hedra公司推出MagicInfinite，用声音和文字让照片动起来
Hedra公司推出的MagicInfinite技术能够让静态人像照片"开口说话"，支持通过声音和文字双重控制生成高质量动态视频。该系统采用3D全注意力机制和两阶段训练方案，可处理各种风格人像（真实照片、动漫、艺术作品），实现精确的嘴唇同步。经过模型蒸馏优化后，生成速度提升20倍，10秒内可生成10秒视频。在用户测试中，91.33%的参与者认为其表现优于现有同类技术。
视频生成AI的"读心术"：VBench-2.0如何测试AI是否真的理解我们的世界
这项由上海人工智能实验室等多家机构联合开展的研究，开发了VBench-2.0评估系统，专门测试视频生成AI对真实世界的理解能力。与关注视觉效果的传统评估不同，VBench-2.0从人体逼真度、可控性、创造力、物理学和常识推理五个维度，全面检验AI是否真正理解物理规律和逻辑关系，为视频生成技术发展提供了新的评估标准。
大语言模型终于学会了边查资料边思考：Search-R1让AI像人类一样搜索推理
伊利诺伊大学研究团队开发的Search-R1系统让AI学会了像人类一样边思考边搜索的能力。通过强化学习，AI能够主动决定何时搜索外部信息、如何整合搜索结果进行推理。该系统在七个问答数据集上平均提升20-24%的准确率，代表了从封闭知识系统向开放学习系统的重要转变，为构建更智能的AI助手奠定了基础。
斯坦福和伯克利联手出招：AI能看出你动作哪里不标准了！
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。
AI人体运动生成技术新突破：澳洲国立大学团队让机器从零开始学会"随音起舞"与"看文生动"
澳洲国立大学团队开发的Motion Anything系统实现了AI动作生成的重大突破，能够根据文字、音乐或两者组合自动生成逼真的人体动作。该系统采用创新的注意力引导遮罩策略和双重变换器架构，在多个基准测试中显著超越现有方法，并创建了包含2153组数据的TMD数据集。这项技术为影视制作、游戏开发和虚拟现实等领域带来新的可能性。
香港科技大学团队揭秘：如何让AI从零开始学会深度思考
香港科技大学团队发现AI可通过"零RL训练"直接学会深度思考，无需预先教授基础知识。研究测试了10个不同规模AI模型，发现它们能在数学推理训练中自发展现验证、反思等高级认知行为，部分模型出现"顿悟时刻"。研究还发现预训练反而会限制AI探索能力，最直接的学习方式可能最有效。该成果为AI教育提供了新思路，强调思维能力比知识记忆更重要。
阿里巴巴推出LHM：让单张照片瞬间变身可动3D人物的神奇技术
阿里巴巴通义实验室开发的LHM系统能够在几秒钟内将单张人物照片转换成可自由运动的3D虚拟人物。该技术采用多模态变换器架构，结合3D高斯分布表示和自监督学习策略，在重建质量和生成速度上都显著优于现有方法，为虚拟现实、游戏制作和数字内容创作提供了新的可能性。
当AI看视频也会"产生幻觉"：中科院团队首次揭示大模型视频理解的"认知盲区"
中科院团队首次系统研究了大型多模态AI模型在视频理解中的"幻觉"问题，构建了包含6497个问题的HAVEN评估体系，发现AI看视频时会出现物体、场景、事件三类错误。研究还提出了创新的"视频思维模型"解决方案，通过让AI进行step-by-step推理，将准确率提升7.65%，偏差降低4.5%，为提升AI视频理解的可靠性提供了重要突破。
解锁AI视频新时代：微软研究院的Sora模型如何让视频生成技术实现质的飞跃
微软研究院最新推出的AI视频生成模型Sora引发科技界轰动。这款"世界模拟器"能根据文本描述生成长达一分钟的高质量视频，远超以往AI视频技术的几秒钟限制。Sora采用扩散模型和"时空补丁"方法，能创建角色一致、动作流畅、符合物理规律的复杂视频场景。它不仅能处理多角色互动、复杂动作和相机运动，还能从静态图像生成动态视频。尽管在处理某些物理现象和因果关系上仍有局限，但Sora已展示出在电影制作、广告营销、教育和个人创作等领域的巨大应用潜力，同时也引发了对深度伪造、版权和隐私等伦理问题的思考。
KTH团队推出PRIX：只用摄像头的智能驾驶系统，比激光雷达方案更快更省钱
瑞典皇家理工学院与斯堪尼亚公司合作开发的PRIX自动驾驶系统，仅使用普通摄像头就达到了业界顶尖性能，处理速度比竞争对手快25%以上。该系统通过创新的视觉特征提取技术和扩散模型规划器，在多项标准测试中表现优异，为低成本自动驾驶技术的普及提供了可行方案，有望大幅降低自动驾驶汽车的制造成本。
企业级智能体AI框架Agntcy正式加入Linux基金会
智能体AI有望通过大幅改善工作流自动化来推动企业转型。Agntcy是2025年3月成立的开源组织，致力于构建"智能体互联网"框架。该框架由思科Outshift孵化部门创立，专注于智能体协调编排和身份访问管理。7月29日Linux基金会正式接纳该联盟，为框架提供更稳固的行业基础，新增戴尔、谷歌云、甲骨文云和红帽等重要成员。
飞利浦AI战略：通过智能化实现大规模优质医疗服务
飞利浦首席创新战略官谢兹·帕托维分享了公司的AI战略。飞利浦采用客户驱动的创新模式，将80%研发资源嵌入业务单元，20%专注行业突破。公司AI战略围绕自动化、增强和敏捷三个维度展开，旨在2030年惠及25亿人。通过SmartSpeed AI等创新，飞利浦在保持人机协作的同时，利用生成式AI提升内部效率，推动医疗行业进入智能化新时代。
Linux内核6.16发布：代码量达3800万行但缺乏重大新特性
Linux内核6.16在周末发布，虽然没有重大新功能，但包含大量错误修复和代码优化。该版本拥有3840万行代码，分布在超过78000个文件中。主要改进包括：支持英特尔2023年高级性能扩展，XFS和ext4文件系统性能优化，NUMA系统自动调优，五级页表支持，以及USB硬件声音解码卸载功能。这些改进展现了Linux在大型服务器到小型设备的广泛应用范围。
高德纳：全球网络安全支出将突破2000亿美元
Gartner预测，受高调网络攻击事件不断增加和新兴风险驱动，全球终端用户组织的网络安全产品和服务支出持续上升，2025年将超过2000亿美元。人工智能和生成式AI的广泛应用成为关键增长驱动因素，信息安全总支出将从2024年的1935亿美元增至今年的2130亿美元，同比增长约10%。
京公网安备 11010802021500号
