这项由奥地利约翰内斯开普勒大学团队开发的pLSTM技术，创新性地解决了人工智能在处理多维数据时的核心难题。通过引入源门、转换门和标记门三种机制，实现了真正的多维并行信息处理。在箭头指向外推任务中展现出优异的…详细

人工智能线性循环神经网络多维数据处理

南洋理工大学研究团队提出U-CoT+框架，通过将表情包转换为文字描述再结合人工制定的判断准则，让小型AI模型能够高效检测网络有害内容。该方法在七个数据集上表现优异，成本更低且具有更好的透明度和适应性，为网络内…详细

人工智能有害内容检测小型语言模型

在资源有限、客户期望高涨和新技术快速涌现的环境下，IT领导者需要以更少资源实现更大影响。本文介绍四个核心策略：消除浪费、简化工作流程、标准化运营模式和有目的地应用自动化。通过重新评估软件许可、闲置基础设…详细

IT运营工作流程自动化运营标准化

首席数据官需要从企业数据中获得最大价值，负责数据管理、战略制定、治理和安全等职能。成为高效CDO需要深入理解业务需求，掌握数据如何驱动竞争优势。面对GenAI等新兴技术快速发展，CDO必须具备适应变化的韧性，专注…详细

数据管理数据治理数据战略

KDE Plasma 6.4.0正式发布，这是2025年计划发布的三个KDE版本中的第二个。新版本在窗口平铺处理、深色模式优化、小部件和通知调整、内置搜索工具Krunner结果排序改进，以及截图工具Spectacle重新设计等方面带来显著提…详细

桌面环境Wayland可用性优化

Edward Tiedemann表示，AI正在改变未来，将赋能更多应用场景，这得益于云技术与AI技术的结合。但AI并非只存在于云端，它也存在于边缘侧。…详细

高通端侧AIAI

微信AI团队发现当前先进的搜索系统存在"粒度困境"：虽能处理复杂任务，但在简单的细节识别上却常出错。研究团队构建了专门测试平台，发现无论大小模型都在基础搜索任务上表现不佳。他们提出了新的训练方法，让小模型…详细

人工智能搜索优化粒度困境

这项由法国蒙彼利埃大学团队开发的iFAM系统，通过创新的两阶段设计解决了AI视觉模型"看错重点"的问题。系统第一阶段识别图像中的关键区域，第二阶段只处理被选中的区域，完全屏蔽背景干扰。在多个挑战性数据集上的实…详细

计算机视觉可解释人工智能注意力机制

这是一项由NAVER AI Lab、韩国科学技术院和首尔大学联合完成的突破性研究，提出了通过跨模态注意力注入技术同时生成新视角图像和对齐几何结构的方法。该技术基于扭曲与修补思路，使用双并行扩散网络处理图像和几何，…详细

新视角合成跨模态注意力三维重建

以色列理工学院研究团队开发出一种新颖的AI推理改进方法，通过训练专用的"继续思考"标记，让AI模型在解题时能够进行更深入的思考。该方法只需训练单个标记的嵌入向量，保持模型其他参数不变，在数学推理任务中展现出…详细

人工智能强化学习继续思考标记

IBM研究团队通过CRAFT系统揭示AI助手在面对恶意用户时的脆弱性。该研究发现，即使最先进的AI助手在遭遇精心设计的诱导攻击时，政策违反率高达70%，远超传统攻击方法。团队开发的τ-break测试集专门评估AI在政策遵守方…详细

人工智能政策遵守AI安全

本研究由斯坦福大学等顶尖学府联合提出SkillBlender方法，让人形机器人像人类学习技能一样先掌握基础技能，再智能混合应对复杂任务。通过预训练行走、伸手、蹲起、踏步四种原始技能，系统能以最少的奖励设计完成复杂…详细

人形机器人技能混合强化学习

韩国大学和KAIST研究团队提出了DeepVideo-R1，一种革新性的AI视频理解训练方法。该方法通过回归式GRPO和难度感知数据增强两大创新，解决了传统方法中的梯度消失和训练信号稀疏问题。在多个权威测试中显著提升了AI的视…详细

视频理解强化学习数据增强

台湾大学联合MediaTek和Nvidia的研究团队开发了一种突破性的语音识别自我改进框架，无需大量人工标注数据即可显著提升AI语音识别准确率。该方法通过让AI生成伪标签训练语音合成系统，再用合成语音反向训练识别模型，…详细

语音识别自我训练框架合成数据增强