/
港大团队让AI学会动态空间推理：像人类一样理解物体在三维空间中的运动变化
香港大学和腾讯联合研究团队开发DSR Suite框架，首次让AI掌握动态空间推理能力。该技术通过自动化流水线从真实世界视频提取三维几何信息，构建了包含5万个训练样本的DSR-Train数据集和1484个评估样本的DSR-Bench基准。核心创新GSM几何选择模块能根据问题精准提取相关几何知识，避免信息过载。实验显示新方法在动态空间推理任务上达到58.9%准确率，超越最强对比模型20个百分点，为机器人导航、自动驾驶等应用奠定重要基础。
南京大学团队推出T2AV-Compass评测基准：让AI生成视频与音频完美匹配的"统一考场"
南京大学团队发布T2AV-Compass，这是全球首个文本到音视频生成模型的综合评测基准。研究构建了500个复杂测试场景和双重评估体系，发现当前AI模型存在"音频真实感瓶颈"—视频质量优秀但音频效果较差。该基准为AI视频生成领域提供统一评估标准，指出了未来技术改进的关键方向。
台湾交通大学团队突破性发现：AI模型竟然在"背答案"而非真正理解建筑
台湾交通大学研究团队通过构建全球最大建筑年代数据集YearGuessr，发现AI模型存在严重"人气偏见"现象——对知名建筑预测准确率比普通建筑高出34%，暴露了AI更多依靠记忆而非真正理解建筑特征的问题。研究开发的YearCLIP模型不仅能预测建筑年代，还提供可解释的判断依据，为建筑遗产保护和AI可解释性研究开辟新路径。
NVIDIA重新定义AI推理效率：混合架构让AI模型既聪明又快速
NVIDIA发布Nemotron 3模型家族，采用混合Mamba-Transformer MoE架构，在保持高精度的同时实现3倍推理速度提升。该系列包含Nano、Super、Ultra三个版本，支持百万词汇长文本处理，具备推理预算控制功能。研究团队还开发了LatentMoE、多令牌预测、NVFP4训练等多项创新技术，并承诺开源所有模型权重和训练数据，为AI领域提供高效开放的解决方案。
NVIDIA发布Nemotron 3 Nano：一个会"变身"的超高效AI模型，开源免费让人人可用
NVIDIA发布了名为Nemotron 3 Nano的开源AI模型，采用创新的"专家混合"架构，在316亿参数中每次仅激活32亿个，实现了比同类模型快2-3倍的运行速度。该模型支持100万文本单元的长文档处理，在数学、编程、科学推理等多项测试中达到业界顶尖水平，并完全开源包括训练方法和数据，为AI技术民主化做出重要贡献。
香港浸会大学团队让AI实时看懂直播视频：从"事后诸葛"到"未卜先知"的技术革命
香港浸会大学团队开发了名为Streamo的实时流媒体视频AI系统，突破了传统视频AI只能"事后分析"的限制。该系统通过三种工作状态（沉默、待机、响应）实现边看边理解，并构建了46.5万样本的训练数据集。在各项测试中表现优异，为直播、监控、在线教育等实时视频应用开辟新可能。
ByteDance研究团队让AI模型竞赛，谁是真正的全能王者？
ByteDance研究团队设计了一套AI模型竞技评估框架，通过模拟瑞士循环赛制让29个先进AI模型在38项测试中竞争，并设置淘汰机制。研究发现Gemini-3-pro等模型展现出稳健通才特征，而某些模型虽然专项能力强但整体稳定性较差。这套框架解决了传统平均分评估无法反映实际应用风险的问题，为企业选择AI模型提供了更科学的参考标准。
Adobe发布智能重新对焦技术：一张模糊照片变身"单反级"对焦效果
Adobe公司研究团队开发了一项革命性的照片重新对焦技术，只需一张模糊照片就能生成完整的对焦序列，让用户自由选择最佳焦点。该技术基于视频扩散模型，在1637个真实场景数据集上训练，不需要特殊设备，适用于各种相机拍摄的照片。用户测试显示88.25%的人更喜欢新技术的效果，为普通用户提供了专业级的对焦控制能力。
香港中文大学团队破解AI"记忆缺失"难题：让机器像人类一样记住对话历史
香港中文大学团队开发的MEMORY-T1框架首次解决了AI系统在长时间对话中的"记忆缺失"问题。该技术采用两阶段设计和创新的时间一致性奖励机制，让AI能够准确记住并运用历史对话信息进行时间推理。实验显示30亿参数模型在该框架下超越了140亿参数基础模型，整体准确率达67.0%，创下开源模型最佳记录。技术已开源，可应用于智能客服、AI助手等多个领域。
北航团队首次揭秘多语言编程的奥秘：为什么Python比Rust更"饿"数据？
北航团队首次揭示多语言编程AI的训练奥秘，发现Python等解释型语言比Rust等编译型语言需要更多数据，Java与C#等相似语言协同学习效果显著，提出优化数据分配策略在相同资源下显著提升性能。
意大利团队推出同声传译新工具，让AI翻译从"结巴"变"流利"
意大利布鲁诺·凯斯勒基金会研究团队开发了simulstream开源工具包，专门用于评估和展示流式语音翻译系统。该工具首次支持重新翻译和增量解码两种策略的统一比较，能处理长篇音频流，并提供网页演示界面。实验发现增量解码方法在质量和延迟方面都优于重新翻译策略，颠覆了传统认知。该工具为研究社区提供了统一的评估平台，推动了实时翻译技术的发展。
香港科技大学突破性研究：让AI像指挥乐团一样看懂长视频
香港科技大学研究团队提出了LongVideoAgent多智能体视频理解系统，通过主控AI协调定位专家和视觉专家的方式，解决了传统AI在长视频理解中的局限性问题。该系统在新构建的LongTVQA数据集上表现出色，为长视频内容分析、监控录像理解、教育资源检索等实际应用开辟了新的可能性。
OPPO与新加坡国大推出MemEvolve：让AI智能体记忆系统自我进化的突破性框架
OPPO与新加坡国立大学合作推出MemEvolve框架，首次实现AI智能体记忆系统的自我进化。该系统不仅让AI学习经验，更能学会如何更好地学习，通过双层进化机制和四模块设计，在多个测试平台上实现最高17%的性能提升，展现出优秀的跨任务适应能力，为AI自我改进开辟新路径。
密苏里科技大学突破性发现：AI能提前预警GitHub开源社区"吵架"，准确率超90%
密苏里科技大学研究团队首次开发出能提前预警GitHub开源社区恶劣讨论的AI系统。通过分析159个有害对话和207个正常讨论，发现恶劣言论往往在讨论脱轨后3条评论内出现，64%在24小时内爆发。研究团队采用"从简到繁"的AI提示策略，让系统生成对话动态摘要并预测风险，准确率达90.1%，远超现有方法。
中科院团队革命性突破：视频生成不再"慢吞吞"，语义空间让AI视频制作提速十倍
这项由浙江大学、快手科技等机构联合完成的研究提出了SemanticGen技术，通过在语义空间而非像素空间生成视频，解决了传统方法训练慢、难以生成长视频的问题。该方法采用两阶段生成策略，先生成语义表示再映射到视觉细节，实现了显著的训练加速和长达一分钟的高质量视频生成能力。
中科院让AI大模型学会"分层思考"，底层神经元也能独当一面了
中科院研究团队发现大模型内部每一层都有独立的决策能力，提出了"自底向上策略优化"训练方法。通过分析Qwen和Llama等模型发现它们有不同的内部推理模式，新方法先优化底层推理能力再训练整体，在数学推理任务上获得显著提升，为AI训练开辟了新思路。
StepFun团队打造32B参数深度研究智能体：成本仅为商业产品十分之一，性能却能与GPT-4和Gemini较量
StepFun团队开发了Step-DeepResearch，一个仅32B参数的AI深度研究系统。该系统通过创新的"原子能力"训练法和三阶段渐进训练，在成本仅为顶级商业系统十分之一的情况下，实现了与GPT-4、Gemini相近的研究质量。系统在Research Rubrics评测中获得61.4%高分，在自建ADR-Bench中表现优异，证明了中等规模模型也能达到专家级研究能力。
Meta推出SAM Audio：让AI"听声识物"，一句话就能从复杂声音中提取你想要的任何声音
Meta公司研究团队开发了SAM Audio，这是首个支持文字、视觉和时间段多模态提示的通用音频分离AI系统。该系统基于扩散变换器架构，在大规模音频数据上训练，能够从复杂声音混合物中提取用户指定的任何声音。实验表明，SAM Audio在语音、音乐和一般声音分离任务中全面超越现有专业系统，同时研究团队还发布了新的评估基准和与人类感受高度一致的自动评估模型。
清华大学团队发布FaithLens：让AI不再"睁眼说瞎话"的智能检测利器
清华大学研究团队开发出FaithLens智能检测系统，专门识别大型语言模型生成内容中的"忠实性幻觉"问题。该80亿参数模型不仅能准确判断AI输出是否与原文档一致，还能提供详细解释。在12项测试中均超越GPT-4.1和o3等顶级模型，运行成本却大大降低，为AI内容可信度检测提供了高效经济的解决方案。
威斯康辛大学与AWS联手：让AI智能体像熟练工匠一样学会技能传承
威斯康辛大学与AWS联合开发SAGE框架，通过技能库系统和强化学习让AI智能体具备持续学习能力。该框架在AppWorld测试中显著提升了智能体性能，场景完成率提高8.9%，效率提升59%，为构建自适应AI系统开辟新途径。
京公网安备 11010802021500号
