字節(jié)推出 AI IDE Trae：字節(jié)跳動(dòng)推出全新 AI IDE——Trae，基于 Claude 模型且免費(fèi)使用。支持 Python、JavaScript、Java 等多種編程語言，能根據(jù)自然語言描述自動(dòng)生成代碼，還可對(duì)現(xiàn)有代碼進(jìn)行優(yōu)化并提供改進(jìn)建議，同時(shí)提供多種 IDE 插件，方便在主流開發(fā)環(huán)境中使用。

OpenAI 測(cè)試 “Operator” 功能：OpenAI 正在內(nèi)部測(cè)試全新 “Operator” 功能，將深度集成到 ChatGPT 的 macOS 版本中。該功能標(biāo)志著 AI 從被動(dòng)助手向主動(dòng)解決問題的超級(jí)智能體轉(zhuǎn)變，預(yù)計(jì)能獨(dú)立完成軟件開發(fā)、復(fù)雜財(cái)務(wù)分析等任務(wù)。

Kimi 發(fā)布 k1.5 多模態(tài)模型：Kimi 發(fā)布 k1.5 多模態(tài)思考模型，性能對(duì)標(biāo) OpenAI 的 o1，還首次提出 short2long 技術(shù)，通過 long cot 模型的 “教學(xué)”，讓短鏈思維模式實(shí)現(xiàn)長(zhǎng)鏈性能，在 MMLU、IF-Eval 等多個(gè)基準(zhǔn)測(cè)試中表現(xiàn)出色。

Google AI 提出擴(kuò)散模型推理時(shí)間縮放框架：來自紐約大學(xué)、麻省理工學(xué)院和谷歌的研究團(tuán)隊(duì)提出擴(kuò)散模型中推理時(shí)間縮放的基本框架，從利用驗(yàn)證器反饋和實(shí)施算法發(fā)現(xiàn)更優(yōu)噪聲候選兩個(gè)維度展開，以 256×256 分辨率的預(yù)訓(xùn)練 SiT - XL 模型為基礎(chǔ)，在 DrawBench 測(cè)試中，能持續(xù)提升樣本質(zhì)量。

MIT 等揭示視覺語言模型問題及提出框架：麻省理工學(xué)院、谷歌 DeepMind 和牛津大學(xué)的研究人員提出 NegBench 框架，用于評(píng)估和改進(jìn)視覺語言模型（VLMs）對(duì)否定的理解能力，通過檢索與否定、多項(xiàng)選擇題與否定兩個(gè)基本任務(wù)，使用大量合成數(shù)據(jù)集，有效克服了現(xiàn)有模型的限制，提升了模型性能。

淘天推出創(chuàng)新對(duì)齊方法：淘天集團(tuán)的未來生活實(shí)驗(yàn)室團(tuán)隊(duì)提出 “令牌偏好優(yōu)化”（TPO）方法，引入自我校準(zhǔn)的視覺錨定獎(jiǎng)勵(lì)機(jī)制，能自動(dòng)識(shí)別偏好數(shù)據(jù)中的視覺錨定令牌，為每個(gè)令牌分配反映其與視覺信息依賴程度的獎(jiǎng)勵(lì)，以減輕視覺大模型中的幻覺問題。