美媒：苹果搁置争议大模型项目，聚焦内部AI研发策略

哥本哈根大学计算机科学系于2026年3月发布了一项具有里程碑意义的研究（论文编号arXiv:2603 12935v1），揭示了当前主流AI推荐系统可能潜藏的社会偏见风险。这项研究同时指出，一种高效且低成本的解决方案——提示工程，或许能成为破解这一难题的关键。 当您使用求职平台或新闻资讯应用时，背后的

照片模糊了、雨滴遮挡了画面、夜晚拍摄噪点过多……这些常见的图像质量问题，往往让人束手无策。传统的解决方案，就像请来一群专科医生：去模糊、去噪点、去雨滴，各有各的专长，但每个“医生”都需要海量的“临床经验”——动辄数百万张训练图片，才能达到可用的修复水平。 然而，一项由香港科技大学、哈尔滨工业大学深圳

这项由英属哥伦比亚大学（UBC）与Vector人工智能研究院联合主导的前沿研究，于2026年3月以预印本论文（arXiv:2603 12634v1）形式发布。研究团队创新性地提出了“预算感知价值树搜索”（Budget-Aware Value Tree Search，简称BA VT）框架，旨在攻克一个

这项由南京理工大学、清华大学、北京大学等顶尖高校联合主导的研究，于2026年正式发表。研究团队构建了一个名为CreativeBench的全新AI创造力评测基准，旨在科学量化人工智能系统的创意水平。该研究为“如何评估AI创造力”这一前沿课题提供了标准化解决方案。完整论文可通过arXiv预印本平台，使用

你是否曾与AI助手讨论一份长篇报告或复杂文档，聊到后半段却发现它似乎遗忘了前面提到的关键细节？这种AI“健忘”现象并非偶然，而是当前大语言模型面临的核心技术瓶颈——长文本记忆难题。近期，三星研究院在顶级学术会议ICLR 2026上发表了一项突破性研究（论文编号：arXiv:2603 10899v1）