DeepReinforce团队开发的CUDA-L1系统通过创新的对比强化学习算法，实现了GPU代码的自动优化，在KernelBench测试中平均性能提升3.12倍，最高达120倍。该系统无需人工专业知识，仅通过执行速度反馈就能学会各种优化技巧…详细

GPU代码优化强化学习CUDA编程

腾讯混元团队推出的HunyuanWorld 1.0是一个革命性的3D世界生成框架，能够仅通过文字描述或单张图片创建完整的可探索3D场景。该系统采用全景图像作为世界代理，结合智能分层技术和3D重建算法，实现了360度沉浸式体验、…详细

3D世界生成全景图像重建虚拟现实应用

腾讯混元团队通过强化学习方法革新了图像生成技术，开发出X-Omni系统，解决了传统自回归模型在图像生成中的累积误差问题。该系统实现了图像生成与理解的统一架构，在文字渲染特别是中文长文本处理方面取得突破性进展…详细

人工智能强化学习图像生成

普度大学研究团队提出MaPPO方法，通过引入先验知识改进AI偏好训练，解决传统方法中的"挤压效应"问题。该方法能根据回答质量差距动态调整训练强度，在多个基准测试中实现显著性能提升，且无需额外参数调整，可作为插件…详细

人工智能偏好优化新型算法

这项由尼日利亚阿雷瓦数据科学学院主导的国际研究，通过对比DenseNet、ResNet、EfficientNet和Vision Transformer四种深度学习模型，为非洲野生动物保护提供了AI技术解决方案。研究发现DenseNet-201在实用性和准确率…详细

人工智能深度学习野生动物保护

伊利诺伊大学研究团队开发出UGST框架，解决了用户模拟器在对话中频繁出现的目标错位问题。通过将用户目标分解为可跟踪的子组件并采用三阶段训练方法，使小型模型性能提升14.1%，甚至超越大型模型，为对话AI训练提供了…详细

人工智能用户模拟器目标状态跟踪

AMD研究团队开发的SAND-Math系统是首个能从零开始生成高质量原创数学题的AI工具。该系统不仅能创造新题目，还配备独特的"难度攀登"技术来提升题目挑战性。实验证明，用其生成题目训练的AI在数学测试中表现比现有方法…详细

数学教育人工智能合成数据生成

香港科技大学研究团队发现大型AI推理模型在处理主观问题时存在思维单一化问题，开发了MultiRole-R1框架让AI学会多角度思考。该框架通过并行多角色推理、多角色微调和强化学习三个阶段，让AI从不同角色视角分析问题。…详细

人工智能多角度推理主观问题处理

普林斯顿大学等40多家顶尖机构联合发布首份自我进化智能体综合报告，系统阐述了AI从静态工具向自主学习伙伴转变的技术路径。研究揭示了智能体如何在模型、记忆、工具和架构四个层面实现自我优化，通过实时学习和课后…详细

人工智能自我进化智能体通用人工智能

腾讯混元团队开发了UloRL算法，通过分段生成和动态遮蔽策略解决AI超长推理训练中的效率和质量问题。该方法让30B参数模型在数学推理任务上超越了更大的235B模型，准确率提升超14%，同时训练速度提升2倍。这项技术为AI…详细

人工智能强化学习推理优化

这项来自成都信息工程大学的研究提出了Met2Net模型，通过创新的隐式两阶段训练策略解决了多变量气象预测中的关键难题。该方法为每个气象变量配备独立的编码器-解码器，并采用自注意力机制实现变量间智能融合，在温度…详细

人工智能深度学习气象预测

MIT研究团队首创RLCR方法，通过结合正确性奖励和布里尔评分，训练AI学会表达不确定性。实验显示该方法在保持准确性的同时显著提升校准性能，让AI从盲目自信转向诚实表达，为高风险领域AI应用提供新的可能性，代表AI发…详细

强化学习不确定性量化AI校准性

腾讯PCG推出的ARC-Hunyuan-Video-7B是一个专门理解短视频内容的AI模型，能同时处理视频画面、声音和文字，准确把握创作者意图和内容精髓。该模型通过创新的音视频同步技术和时间戳叠加机制，实现了对短视频的结构化理…详细

人工智能视频理解多模态融合

Artefact成立于2014年，总部位于巴黎，致力于助力全球领先企业应对技术变革，通过数据与AI转型释放竞争优势。目前，公司在全球25个国家设有31个办事处，拥有逾1700名员工。…详细

ArtefactCinven

复旦大学研究团队开发了MOVE数据集和DMA算法，让AI系统能够像人类一样根据动作模式而非外观来理解视频内容。该系统包含224个动作类别和26万帧标注数据，通过解耦动作与外观特征，实现了突破性的视频分割效果。这项技…详细

视频分割动作识别少样本学习

清华大学研究团队开发出ScenePainter系统，能从单张照片生成连续一致的3D场景序列。该技术通过构建"场景概念图"解决了传统AI场景生成中的语义漂移问题，在保持视觉一致性的同时实现内容多样化。系统采用两阶段训练策…详细

3D场景生成语义一致性概念关系对齐

伊利诺伊大学研究团队开发了GenoMAS，一个由6个专业AI智能体组成的基因表达分析系统，能像科研团队一样协作编程解决复杂生物信息学问题。该系统通过引导式规划框架平衡结构与灵活性，在GenoTEX基准测试中实现89.13%预…详细

基因表达分析多智能体系统代码驱动研究

中美研究团队发现AI使用工具后会出现"思维混乱"现象，提出ARPO训练方法，让AI学会在困惑时智能探索、清晰时高效执行。该方法在13个复杂任务上全面胜出，工具使用效率提升一倍，为构建更智能的AI助手奠定基础。…详细

人工智能强化学习智能体优化

新加坡南洋理工大学联合国际团队首次提出4D空间智能重建的五层级分类体系，从基础空间感知到物理规律融合，为从视频构建三维动态世界技术发展提供完整路线图，有望革命性改变虚拟现实、机器人和数字内容创作领域。…详细

4D空间重建计算机视觉神经辐射场

香港科技大学研究团队开发了Rep-MTL方法，解决AI多任务学习中的相互干扰问题。该方法通过优化AI内部表征空间，既保护各任务独特性又促进跨任务协作，在多个数据集上实现显著性能提升，为培养"全能型"AI系统提供了新思…详细

多任务学习表征学习深度学习优化