近日，联想万全异构智算研发团队的论文《RNL: RoCE Network Loadbalance with AI Traffic Characteristics and Link Congestion Awareness》被IEEE CyberSciTech 2025大会成功接收，并即将收录于IEEE DL和EI Indexed…详细

加州大学伯克利分校等机构研究团队发布突破性AI验证技术，在相同计算预算下让数学解题准确率提升15.3%。该方法摒弃传统昂贵的生成式验证，采用快速判别式验证结合智能混合策略，将验证成本从数千秒降至秒级，同时保持…详细

人工智能测试时扩展预算优化

香港中文大学研究团队开发了BesiegeField环境，让AI学习像工程师一样设计机器。通过汽车和投石机设计测试，发现Gemini 2.5 Pro等先进AI能创建功能性机器，但在精确空间推理方面仍有局限。研究探索了多智能体工作流程…详细

人工智能机器设计强化学习

西湖大学团队发现大语言模型在强化学习训练中存在"过度自信"问题，虽然提升了单次答题准确率，却损失了探索多种解题思路的能力。他们提出SimKO方法，通过巧妙的概率重分配机制，让AI在保持高准确率的同时重新获得思维…详细

人工智能强化学习算法优化

Salesforce团队提出ProgSearch数据合成方法，通过渐进式难度增强机制生成高质量AI训练数据。该方法采用自上而下和自下而上两种策略，利用基准AI助手逐步增加问题复杂度直至其失败，确保生成的数据处于AI能力边界。实…详细

网络智能助手数据合成渐进式难度增强

马普所团队开发的AnyUp是首个通用特征上采样技术，能将任何AI模型的低分辨率特征提升为高分辨率，无需重新训练。该技术采用特征不可知层和窗口注意力机制，在语义分割、深度估计等任务中达到最佳性能，并具备跨模型泛…详细

计算机视觉特征上采样通用人工智能

慕尼黑大学等机构联合开发的GroundedPRM框架，通过结合蒙特卡洛树搜索、外部工具验证和混合奖励机制，让AI在数学推理时能够像侦探一样精确评估每个步骤。该系统仅用4万训练样本就在ProcessBench测试中实现26%性能提升…详细

人工智能过程奖励模型数学推理

耶鲁大学研究团队通过引入循环推理、算法监督、离散锚定和错误纠正四种机制，成功解决了AI系统的分布外泛化难题。新方法让AI能够像侦探一样进行层层递进的推理，在面对复杂度提升四倍的问题时仍保持近乎完美的准确率…详细

Transformer架构递归推理分布外泛化

苹果研究院发布Mirror-SD技术，通过让GPU和NPU协同工作实现AI推理并行化，将大模型推理速度提升2.8-5.8倍。该技术让草稿生成与目标验证同时进行，充分利用异构芯片优势，在多项任务中展现显著性能提升，为AI实时交互…详细

人工智能推理加速系统优化

新加坡国立大学研究团队开发了FML-bench评估平台，首次系统性评估AI智能体在机器学习研究中的科学能力。通过对比三种不同探索策略的AI研究助手，研究发现采用广度探索的智能体比深度专精的表现更优秀。该研究建立了包…详细

人工智能机器学习自动化研究

据报道，ServiceNow正与身份管理平台初创公司Veza进行深度收购谈判，交易金额可能超过10亿美元。Veza的平台帮助企业保护员工工作账户安全，识别未使用账户和权限过度的账户，还能检测违反职责分离政策的账户。该平台…详细

网络安全身份管理企业收购

谷歌云发布PanyaThAI数字化转型计划，旨在帮助泰国企业部署企业级AI智能体应用。该计划首批支持15家机构，包括朱拉隆功大学、泰国证券交易所等。研究显示AI到2030年可为泰国经济贡献7300亿泰铢。计划提供全栈AI基础设…详细

人工智能智能体数字化转型