/
视觉世界中的定位强化学习：卡内基梅隆大学团队让AI"看"得更透彻
卡内基梅隆大学研究团队开发了ViGoRL系统，通过视觉定位强化学习显著提升AI的视觉推理能力。该方法让模型将每个推理步骤明确锚定到图像的特定坐标，模拟人类注视点转移的认知过程。与传统方法相比，ViGoRL在SAT-2、BLINK等多项视觉理解基准上取得显著提升，并能动态放大关注区域进行细节分析。这种定位推理不仅提高了准确性，还增强了模型解释性，为更透明的AI视觉系统铺平道路。
当你不在时，动物们是如何跳舞的？——华盛顿大学与加州大学伯克利的奇妙动物舞蹈研究
华盛顿大学和UC伯克利的研究团队开发了一种创新框架，让动物在音乐节奏下翩翩起舞。该研究《当你不在时，动物们是如何跳舞的》从少量生成的关键帧开始，通过图优化问题找出满足特定编舞模式的最佳路径，并应用视频扩散模型生成中间帧。技术亮点包括从人类舞蹈视频中提取编舞模式和生成镜像姿势图像。研究成功创建了长达30秒的各类动物舞蹈视频，用户评价显示其在节拍同步性和舞蹈感知方面表现出色。
Character.AI: 关于角色扮演 AI 工具及其新视频功能须知
文章详细介绍了Character.AI这款主要面向娱乐、角色扮演和互动叙事的AI聊天工具的原理、用户群体、特色功能以及面临的法律与伦理争议，同时揭示了其新推出的视频和游戏互动体验。
LUNGUAGE：一个结构化胸片X光报告评估的里程碑——KAIST与微软等顶尖团队推出的纵向解读评估框架
LUNGUAGE是由KAIST、微软和多家医疗机构联合开发的胸片X光报告结构化评估框架，解决了现有评估方法忽视时间连贯性和细节准确性的问题。该框架包含1,473份专家标注的胸片报告和80份纵向序列标注，通过两阶段结构化流程将自由文本转化为结构化表示，并提出LUNGUAGESCORE评分系统同时评估语义、时间和结构维度的准确性。实验证明该框架可有效评估各类报告生成模型，为放射学AI带来突破性进展。
FAMA：意大利和英语的首个大规模开源语音基础模型
意大利布鲁诺·凯斯勒基金会研究团队发布FAMA，首个遵循开放科学原则的英意双语语音基础模型。与Whisper等闭源模型不同，FAMA完全开放训练数据、代码和模型权重，在超过15万小时开源语音数据上训练。研究创建了包含1.6万小时伪标注数据的新数据集，实验表明FAMA性能可与现有语音基础模型媲美，同时速度提升8倍。这一突破不仅促进研究可重复性和公平评估，还为语音技术领域树立了开放科学新标准。
agentic AI 预计到2028年将处理68%的客户服务互动
思科报告指出，自主型人工智能未来三年内有望承担高达68%的客户服务任务，通过个性化与前瞻性支持提升效率与节省成本，但用户仍重视人与人之间的互动和健全的治理机制。
重载计算：AI 数据中心存在重量问题
随着 AI 设备密集度攀升，传统数据中心正面临设备重量增加带来的结构挑战，促使设计向单层和强化地板转变。
Wispr Flow 发布 iOS 应用 力图让口述输入变得毫不费力
一款支持100多种语言的语音输入软件从Windows、Mac延伸到iOS，提供键盘语音双模式，体验流畅并能自动学习专有名词，订阅模式也颇具竞争优势。
AI 转型项目受遗留应用程序与陈旧数据管理的制约
许多企业因遗留系统和陈旧数据架构积累技术债，致使自动化和AI转型步履维艰。Pegasystems调查显示，庞大的老旧应用和分散数据正阻碍新技术落地，其推出的数据集成平台和Pega Agentic Process Fabric为此提供了解决方案。
岗位空缺分析显示具备 AI 技能者薪资显著提升
PwC 分析近十亿招聘广告发现，掌握 AI 技能的员工平均薪资提升 11%，并推动行业生产力与收入大幅增长，促使岗位技能迅速转变并创造新机遇。
SailPoint为基于 AI 的身份安全指明方向
SailPoint将agentic AI技术融入其身份安全平台，推出新工具以管理和保护企业中不断增长的AI代理，实现身份治理和访问控制合规。
通过特征相关性更高效地训练稀疏自编码器：让人工智能模型更透明
这项研究提出了KronSAE，一种新型稀疏自编码器架构，通过克罗内克积分解显著降低了训练成本。研究者引入了模拟二进制AND操作的mAND激活函数，在减少参数量的同时提高了重建质量和特征可解释性。实验证明，KronSAE在各种语言模型上都能降低特征吸收，提供更清晰的语义表示。该方法为理解大型语言模型内部机制提供了计算效率更高的工具，为AI系统透明度和可控性研究开辟了新途径。
重新排列图像块，提升视觉模型性能：加州大学伯克利分校研究突破
这项由加州大学伯克利分校研究团队开发的REOrder框架，通过重新排列图像块的处理顺序，显著提升了视觉模型性能。研究发现，传统的行主序排列并非最优选择，而通过信息论先验和强化学习寻找最佳排序，可在不修改模型架构的情况下，使ImageNet-1K分类准确率提升3.01%，卫星图像分类提升13.35%。这一发现挑战了传统认知，为视觉模型优化提供了一个全新且易于实施的方向。
简洁推理，大有作为：香港科技大学团队通过难度感知提示法精简长推理链
这篇研究介绍了香港科技大学团队开发的难度感知提示法(DAP)，一种能够根据问题难度智能调整推理链长度的创新方法。通过这一方法，研究者构建了LiteCoT数据集，包含10万个简洁推理样本，平均仅720个标记，比传统方法减少约90%。基于此数据集训练的Liter模型系列在多项基准测试中表现优异，在AIME24数学考试上达到74.2%的通过率，同时仅使用约5,000个推理标记。研究证明，精简且难度适应的推理链不仅能节省计算资源，还能提高模型性能，为构建更高效的AI推理系统提供了新思路。
当你的母语说不出口：解锁AI多语言思维的权衡与挑战
格罗宁根大学和哈佛大学的研究团队发现，当前大型推理模型在被要求用非英语语言"思考"时，面临严重的语言匹配与准确性权衡。他们通过评估六个先进模型，揭示即使最强大的32B参数模型也经常默认使用英语推理，而非用户指定的语言。提示黑客技术能将语言匹配率从45%提高到90%以上，但准确率会下降。这一发现对构建真正可信的多语言AI系统具有重要启示。
大语言模型与知识图谱强强联手：问答系统的完美协作与未来机遇
这篇研究综述探讨了大语言模型(LLMs)与知识图谱(KGs)在问答系统中的结合方式。研究者提出新的分类法，根据问答类型和KG角色将方法分为：KG作为背景知识、推理指南或验证器。文章系统性分析了各种复杂问答类型(多文档、多模态、多跳、会话式、可解释和时间问答)的挑战，及其解决方案。尽管LLM与KG结合能有效解决推理能力有限、知识过时和幻觉等问题，但仍面临效率与效果平衡、知识动态更新和公平性等挑战。未来研究应关注开发能高效整合最新知识的框架，以及提升推理、解释和公平性的方法。
cadrille：基于在线强化学习的多模态CAD重建技术
AIRI研究院团队开发的cadrille是一款突破性多模态CAD重建模型，能同时处理点云、多视角图像和文本描述输入，并生成精确的Python代码来构建CAD模型。该研究首次将在线强化学习应用于CAD重建任务，采用两阶段训练策略：先在程序生成数据上进行监督微调，再通过在线反馈进行强化学习优化。实验结果显示，cadrille在DeepCAD基准测试中超越所有单模态方法，并在三个具挑战性数据集（包括真实世界CC3D）上创造新的最高记录，特别是在线强化学习技术GRPO显著优于离线替代方案。
降低复杂度，加速生成：对扩散模型采样的可微分求解器搜索方法
这项研究提出了一种可微分求解器搜索方法，通过优化时间步长和求解器系数，显著加速扩散模型的采样过程。在仅使用10步采样的情况下，该方法使修正流模型和DDPM模型在ImageNet数据集上的FID得分分别达到2.40和2.33，大幅超越传统求解器。研究发现在配备优化求解器后，DDPM模型性能可与修正流模型相媲美，打破了以往认知。该方法无需重新训练模型，可广泛应用于各种预训练扩散模型。
代码效率优化的新突破：强化学习如何帮助大语言模型实现自我进化
《Afterburner: Reinforcement Learning Facilitates Self-Improving Code Efficiency Optimization》这篇论文提出了一种创新的代码效率优化框架，通过强化学习技术让大语言模型能够自我改进生成代码的计算效率。研究表明，基于强化学习的方法（GRPO）能够持续优化代码性能，而传统的监督学习方法（SFT和DPO）则很快达到效率提升瓶颈。这一发现为解决大语言模型生成代码效率低下的普遍问题提供了有效途径，同时揭示了强化学习在教导AI自我完善方面的强大潜力。
拆解视频大语言模型评测基准：知识、空间感知还是真正的时序理解？苹果公司研究团队带来新分析框架
这项来自苹果公司的研究揭示了视频大语言模型评测的两大关键问题：许多测试问题不看视频就能回答正确，且打乱视频帧顺序后模型表现几乎不变。研究提出VBenchComp框架，将视频问题分为四类：语言模型可回答型、语义型、时序型和其他类型，发现在主流评测中高达70%的问题实际上未测试真正的视频理解能力。通过重新评估现有模型，研究团队证明单一总分可能掩盖关键能力差距，并提出了更高效的评测方法，为未来视频AI评测提供了新方向。
京公网安备 11010802021500号
