/
医疗AI革命：在你的浏览器里就能生成病历，隐私安全还不用花钱——美国密苏里州默西医院团队的突破性研究
美国密苏里州默西医院团队开发了一个能在浏览器中运行的医疗AI模型，专门用于将医患对话转录生成标准化病历。该模型基于Llama 3.2 1B，通过1500个内分泌科病例训练，在保证隐私安全的前提下，显著提升了病历生成的准确性和完整性，严重医疗幻觉减少58.8%，为医疗AI的本地化部署提供了可行方案。
InternVL3：上海AI实验室联合多所顶尖院校打造的多模态AI大模型新突破
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。
只要256MB就能秒杀80B大模型？Hugging Face推出史上最小却最强的视觉AI助手
Hugging Face联合斯坦福大学推出革命性小型视觉AI模型SmolVLM，最小版本仅256MB却能超越300倍大小的传统模型。该系列包含三个版本，运行显存需求0.8-4.9GB，可在手机端部署。通过创新架构设计、高效tokenization和精心数据策略，在图像理解、视频分析、文档处理等任务上表现卓越，真正实现"人人可用的AI助手"。
机器也能理解电影镜头语言？卡耐基梅隆大学等机构突破视频中的摄像头运动理解
卡耐基梅隆大学等机构联合发布CameraBench，这是首个专门评测AI理解视频摄像头运动的大规模数据集。研究团队与专业电影摄影师合作，标注了约3000个多样化视频，建立了精确的摄像头运动分类体系。测试发现现有AI模型在理解推拉镜头、跟踪拍摄等运动类型方面准确率仅约50%，但通过专门训练可提升1-2倍，为视频理解和AI电影制作技术发展奠定重要基础。
构建基于偏好和技术转换的变革
科技专家Sungjoo Yoon在TED演讲中提出"偏好原理"，认为了解用户喜好信息越多，就能创造更强大的技术。他将市场变化比作"地壳运动"，从1969年命令行界面到80年代GUI，再到90年代网络界面，技术发展都遵循这一规律。自然语言处理能建立信任，而AI智能体时代的到来意味着非人类参与者将在人类主导的世界中发挥作用。
微软Copilot Vision AI可全屏扫描识别内容
微软推出了Copilot Vision AI新功能，该技术能够扫描和分析用户屏幕上的所有内容。这项AI视觉技术可以实时理解用户正在查看的信息，包括文本、图像和应用程序界面，为用户提供更加智能化的交互体验和个性化建议。此功能的推出标志着AI助手向更深层次的用户体验集成迈进。
马斯克的xAI与沙特Humain就数据中心交易进行洽谈
马斯克旗下AI初创公司xAI正与沙特方面就租赁数据中心容量进行谈判，寻求在能源成本低廉地区扩展基础设施。谈判涉及两个潜在合作伙伴：沙特支持的AI公司Humain提供数千兆瓦容量方案，以及另一家正建设200兆瓦设施的公司。后者更具短期可行性。这些数据中心将为xAI的计算密集型AI模型提供算力支持。
谷歌将AI技术引入核反应堆业务
谷歌与西屋电气公司合作，将生成式AI模型应用于核反应堆建设和运营优化。双方计划结合西屋的HiVE GenAI系统和bertha大语言模型与谷歌云技术，简化新核电站建设并提升现有反应堆性能。西屋声称其核能AI技术基于75年专有数据训练。此举旨在满足美国电网日益增长的能源需求，特别是AI数据中心快速增长带来的电力消耗。
Google为Discover功能新增AI生成摘要
谷歌正在其个性化内容流Discover中引入AI生成摘要功能，该功能已在美国的Android和iOS用户中开始推广。摘要卡片会显示新闻网站标志和AI生成的内容片段，用户可点击查看更多相关文章。谷歌声称此举能帮助用户更好地选择想要访问的页面，但出版商担心这会进一步减少点击流量。据估计，包含AI概览的搜索结果中有64%最终没有产生点击。该功能首先专注于体育和娱乐等热门生活方式话题。
Meta开发会说话的AI虚拟角色：从语音到电影级视频，一句话就能"变出"会对话的人物
Meta联合滑铁卢大学开发的MoCha系统实现重大突破，仅需语音和文字描述就能生成电影级会说话的虚拟角色视频。该技术突破传统局限，无需参考图片等辅助条件，还能实现多角色对话场景，在唇音同步、表情自然度等方面显著超越现有方法，为内容创作、教育、娱乐等领域带来革命性变化。
把家里老设备组装成超级计算机：阿联酋研究团队让70B大模型在普通家庭设备上飞速运行
阿联酋和中国研究团队联合开发prima.cpp系统，成功实现70B大模型在普通家庭设备集群上运行。该系统通过创新的管道环形并行技术和Halda调度算法，将响应速度提升15倍至600毫秒，内存压力控制在6%以下，为AI技术民主化提供了新路径。
Moonshot AI发布Kimi-VL：仅用3B参数就能媲美大型AI的超级视觉模型
Moonshot AI发布了新一代视觉语言模型Kimi-VL，该模型采用混合专家架构，仅用2.8B激活参数就能媲美大型模型性能。其创新包括原生分辨率视觉编码器、128K长上下文处理能力和长链思考推理机制。在多项基准测试中，Kimi-VL在数学推理、文档理解、智能体任务等方面表现出色，证明了小参数高效能的设计理念，为AI技术的普及和可持续发展提供了新思路。
清华大学最新发现：AI强化学习训练可能是个"伪命题"？
清华大学研究团队通过大规模实验发现，当前备受推崇的强化学习训练方法（如训练GPT-o1的技术）并未真正提升AI的推理能力，而是让模型更善于从已掌握的推理方法中选择正确答案。研究涵盖多个模型和任务，揭示了AI能力提升背后的真实机制与普遍认知的差异。
ByteDance发布Seaweed-7B：用更少资源训练出媲美大模型的视频生成AI
ByteDance Seed团队发布的Seaweed-7B研究展示了如何用相对较少的计算资源（665,000 H100 GPU小时）训练出高质量视频生成模型。这个70亿参数的模型通过精细的数据处理、创新的VAE压缩技术、混合流架构和多阶段训练策略，在图像转视频任务中排名第二，在多项评估中超越了参数量更大的竞争对手，同时推理速度快62倍，证明了中等规模模型的巨大潜力。
微软沙特阿拉伯研究团队发布Kuwain 1.5B：用"语言注射"技术让英文AI秒懂阿拉伯语
沙特阿拉伯misraj.ai团队开发了Kuwain 1.5B，一个仅15亿参数的阿拉伯语-英语双语AI模型。他们创新性地提出"语言注射"技术，在英语模型基础上增加8个新层专门处理阿拉伯语，同时保持原有层冻结。通过扩展26000个阿拉伯语词汇和9:1的数据配比，实现了阿拉伯语性能8%提升，英语能力完全保持，训练成本降低70%。该方法可推广到其他语言，为多语言AI发展提供了高效经济的新路径。
人工智能学会了"无师自通"：清华大学团队让AI在没有标准答案的情况下自我进化
清华大学研究团队开发出TTRL技术，让AI无需标准答案即可自我学习。通过"多数投票"机制，AI分析自己的多个解答找出最佳答案并以此改进。在数学竞赛中表现卓越，AIME 2024正确率提升159%。这种"无师自通"能力标志着AI向真正自主智能迈进的重要突破。
KAIST团队开发PaperCoder：让AI读懂科学论文，自动生成完整代码
KAIST团队开发了PaperCoder，一个能够自动将机器学习论文转化为完整代码仓库的AI系统。该系统通过规划、分析、编码三个阶段，解决了80%科学论文缺乏代码实现的问题，在评估中获得88%专家认可，生成的代码只需微调0.81%即可执行。
AI合作推理新突破：让多个AI像团队一样实时协作解决复杂问题
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。
英伟达联手斯坦福：一口气生成一分钟连贯视频，AI终于会讲故事了
英伟达与斯坦福等顶尖机构联合开发的TTT技术首次让AI学会"讲故事"，能生成长达一分钟的连贯视频。该技术采用"边做边学"的创新方法，让AI在生成视频时持续优化记忆能力，在人类评估中比现有最佳方法领先34个Elo积分，展现出革命性的长视频生成能力。
华盛顿大学：让AI从一个数学题中学会推理——颠覆性"单例强化学习"研究震撼发布
华盛顿大学联合微软研究团队发现，AI仅用一道数学题训练就能将推理能力从36%提升至74%，颠覆了传统"海量数据才能训练强AI"的观念。这种"单例强化学习"方法在多种模型上都显示出惊人效果，揭示了AI内在推理潜力的激发机制，为低成本训练高性能AI系统开辟了新路径。
京公网安备 11010802021500号
