12月6日，国产大模型推理引擎xLLM社区将在北京举办“共建开源AI Infra生态”线下Meetup。xLLM于今年8月底开源，由一支平均年龄不到30岁的团队开发，旨在为国产芯片提供专属推理引擎，支持生成式推荐、文生图、文生视频等场景，并在昇腾等国产硬件上性能优于国际方案。项目负责人刘童璇表示，团队选择了一条‘难而正确’的技术路径，从零构建完整技术栈闭环。xLLM已应用于新疆电站等实际场景，展现广泛落地价值。未来一年，xLLM将聚焦场景纵深、模型联盟和芯片协同三大方向，目标成为数据中心级智能操作系统，助力‘人工智能+’国家战略。

2025年11月，香港科技大学研究团队发布全球首个真实场景篮球机器人demo，使用宇树G1机器人完成三步上篮等复杂动作。团队通过SkillMimic-V2技术框架，解决了稀疏、含噪数据下技能学习的难题，显著提升技能转换成功率至94.9%。该研究基于此前SkillMimic和PhysHOI工作，结合拼接轨迹图、状态转移场等创新方法，使机器人在受干扰时仍能完成精准操作。核心作者王荫槐为港科大博士生，其研究成果从仿真到真实环境仅用两年，展现快速进展。这一突破为机器人复杂交互任务提供了新方向。

12月6日，xLLM社区将在北京举办主题为“共建开源 AI Infra 生态”的线下Meetup。作为成立仅三个月的新兴社区，xLLM首次全面展示其技术愿景、核心规划及生态全景，定位为下一代大模型推理引擎框架，支持多元化AI场景，如大语言模型、多模态生成、文生图和文生视频等。活动将揭秘其创新架构及未来演进方向，并分享与京东11.11大促合作提升业务效率5倍的成果。清华大学副教授章明星将解读Mooncake存储方案，北京智源人工智能研究院门春雷探讨硬件优化实践。xLLM已开源，适配国产算力，与昇腾合作探索高性能推理方案，未来还将联合清华、北大等产学研伙伴推动AI生态协同创新。诚邀开发者、研究者及行业伙伴参与交流。

11月14日，深圳津渡生物医学科技有限公司（津渡生科）宣布完成千万级Pre-A+轮融资，由南山战新投投资。津渡生科专注于AI for BioScience领域，依托BioFord™ AI生物科研平台和GeneLLM®多组学大模型体系，推动生命科学进入预训练模型时代。其技术已成功应用于华大基因、协和肿瘤医院等机构，研发团队在《Nature》等顶级期刊发表60余篇论文，具备小样本学习、全链路数据安全等优势。公司自研的GeneLLM是国内首批生科领域的专家型大模型，相关AI平台和服务广泛应用于医学诊断、生物制造等领域，服务客户包括头部AI企业、药企及高校。

LLM强化学习新框架！UCSD多智能体训练框架让LLM工具调用能力暴增5.8倍 PettingLLMs团队 投稿 量子位 | 公众号 QbitAI 来自UCSD和英特尔的研究团队提出了一种通用化多智能体强化学习框架——PettingLLMs，首次实现了“群体强化”，显著提升了大语言模型（LLM）...

LLM能替代数据科学家了？DeepAnalyze帮你告别手动分析数据 你是否为复杂文件和海量数据而头疼？是否希望自动挖掘出有价值的信息？最近，人大与清华的研究团队推出了一款名为 DeepAnalyze 的工具——你的专属“数据科学家”。只需一个指令，它便能自动化完成数据分析、建模、可视化等任务，甚至...

拜拜了GUI！中科院团队提出“LLM友好”计算机接口 大模型Agent自动操作电脑的理想很丰满，但现实却骨感。现有LLM智能体面临两大痛点：成功率低和效率差。复杂任务常让Agent卡住，简单任务也需要几十轮交互，耗时漫长。 问题出在哪？中国科学院软件研究所团队指出，瓶颈在于我们使用了40多年的图形用...

超越ZIP的无损压缩来了！华盛顿大学让大模型成为无损文本压缩器 当大语言模型生成海量数据时，存储问题愈发突出。为此，华盛顿大学SyFI实验室提出了一种创新方案：LLMc，利用大型语言模型（LLM）实现无损文本压缩。基准测试显示，LLMc在维基百科、小说、科学摘要等数据集上的压缩率优于传统工具（如ZI...

9月29日，寒武纪通过官方微信号宣布，已完成对深度求索公司最新模型DeepSeek-V3.2-Exp的适配，并同步开源大模型推理引擎vLLM-MLU源代码。这一进展展示了寒武纪在人工智能领域的技术实力和开放生态布局，为开发者提供了更高效的推理工具支持。

9月22日，Meta发布MobileLLM-R1系列小语言模型，参数量分别为1.4亿、3.6亿和9.5亿，专为移动设备等轻量级平台设计。该模型经过监督式微调（SFT），聚焦数学、编程（如Python、C++）及科学问题，预训练数据仅约2TB高质量token，总数据量不到5TB。在多项基准测试中，其性能超越使用36TB数据训练的Qwen 3-0.6B。例如，在MATH测试中，MobileLLM-R1 950M准确率是Olmo 1.24B的5倍，编程任务表现同样优异。模型已开源，采用Apache 2.0协议，可通过vLLM推理引擎运行，并在Hugging Face平台发布。