GPT Image 2 的研发团队由 13 名核心成员组成，华人占据重要位置。团队成员背景多样，涵盖深度学习和多模态模型研究，形成紧密的信任网络，促进了创新，强调了人际关系在 AI 领域的重要性。

玩美移动升级了其AI面部分析解决方案，能够精准识别脸型、五官特征和肤色，支持多平台和全渠道应用。新方案基于深度学习技术，输出70多项面部特征数据，适用于国内外市场，提供按次计费的API，降低初期投入，助力美妆、眼镜等品牌实现个性化推荐。

HALCON是德国MVTec公司开发的机器视觉软件，广泛应用于工业视觉领域，支持2D/3D视觉和深度学习。本文介绍了如何在WPF中使用HALCON创建简单应用，包括图像选择和灰度化功能，利用HSmartWindowControlWPF控件高效显示图像并处理用户交互。

华中科技大学的研究团队提出了Flash Depth Attention和混合深度注意力（MoDA），旨在改善深度学习模型中层间的通信能力。新方法通过引入注意力机制，提升信息流动的质量，有望推动大模型架构的发展，提升模型性能。

GPU计算起源于三十年的政府资助研究，涵盖并行计算、图形系统和流处理等技术。这些研究推动了GPU的快速发展，使其成为现代数据中心和人工智能革命的核心。英伟达等公司将这些技术转化为实际应用，促进了深度学习的普及，GPU的高效计算能力支持了大规模数据集的处理，推动了机器学习的进步。

韩国科学技术院的研究团队利用深度学习设计了高亲和力和高特异性的小分子结合蛋白，成功开发出能选择性识别皮质醇的人工智能生物传感器。这项研究突破了传统蛋白质设计的局限，具有广泛的应用前景，尤其在疾病诊断和新药研发领域。

韩国科学技术院的研究团队利用深度学习设计了能够选择性识别压力激素皮质醇的小分子结合蛋白，并开发了人工智能生物传感器。这项研究突破了传统蛋白质设计的局限，提供了高特异性和高亲和力的蛋白质定制方法，具有广泛的应用潜力，如疾病诊断和新药研发。研究成果已发表在《Nature Communications》上。

DeploySharp 0.0.9版本发布，新增YOLOCls分类模型和BRIA-RMBG背景移除功能。YOLOCls支持输出Top-10置信度结果，适用于工业质检和内容审核。BRIA-RMBG提供高精度抠图，支持v1.4与v2.0版本。开发者可通过NuGet轻松体验新特性。

法国巴斯德研究所开发了三种深度学习模型，成功预测细菌的抗噬菌体功能。研究表明，细菌基因组中约1.5%的基因参与抗病毒防御，239万个抗噬菌体蛋白中85%未与免疫功能关联。这些发现揭示了细菌免疫系统的复杂性，推动了抗噬菌体机制的深入研究。

Apache TVM 更新至 0.21.0 版本，中文文档已同步。TVM 是一个深度学习编译框架，支持多种硬件。Relax 是其图抽象方式，用于优化机器学习模型。文章介绍了如何使用 Relax 表达神经网络模型的结构与数据流，并提供了高层与底层实现的代码示例，强调数据流块和无副作用函数的重要性，以便于编译器优化。

百度与深度学习技术中心联合推出的首席AI架构师培养计划（AICA）旨在培养复合型AI人才。第10期将于2026年在武汉启动，聚焦AI与工业的结合，提供实战案例分析。报名对象为企业技术负责人，名额有限，需审核通过。

百度的PaddleOCR在GitHub上获得73300+星标，超越谷歌的Tesseract OCR，成为全球OCR项目的领军者。这标志着中国在OCR领域的首次领先。PaddleOCR依托深度学习和文心大模型，实现了快速增长，用户遍及160个国家，支持110种语言，推动了OCR技术的广泛应用。

文章讨论了工业缺陷检测的三个阶段：第一阶段为CNN分类与分割，主要解决缺陷识别，但在复杂环境中效果不佳；第二阶段为异常检测与小样本学习，强调理解正常状态以识别未知缺陷；第三阶段为多模态零样本质检智能体，旨在实现零漏检和低误检，通过大模型和工艺知识库提升检测能力。未来工业检测需向第三阶段演进。

洪水是常见的自然灾害，气候变化增加了其风险。传统的洪水预报依赖物理模型，而近年来AI技术，特别是深度学习，提升了预测能力。明尼苏达大学开发的知识引导型机器学习模型FHNN结合了物理知识，表现优于传统模型和专家预报员，尤其在干旱流域，显示出更高的准确性和适应性。

Databricks推出了AI Runtime（AIR），支持按需分布式GPU训练，简化深度学习模型的开发和调试。AIR集成了PyTorch和CUDA等关键依赖，优化了分布式训练流程，用户可快速启动训练，无需管理基础设施。该平台与Databricks Lakehouse无缝集成，确保数据安全和高效利用GPU资源，助力客户加速AI工作负载。

Kimi团队的《Attention Residuals》报告改进了残差连接结构，显著提升了大模型的训练效率。在相同算力下，该方法的效果相当于基线模型1.25倍算力的成果，获得硅谷AI界的认可，标志着深度学习基础范式的变革。

人工智能（AI）是模拟人类智能的广泛领域，机器学习（ML）是其子集，通过数据学习模式。AI系统分为反应机器和有限记忆系统，机器学习方法包括监督学习、无监督学习和强化学习。深度学习利用多层神经网络自动提取特征，适用于复杂任务如图像和语言处理。AI与机器学习的结合推动了现代技术的发展，如推荐系统和欺诈检测。