科技行者 10月28日 北京消息:高通今日宣布,联合广泛的中国汽车产业链企业,展示安全可靠的蜂窝车联网(C-V2X)直接通信技术已经商用就绪,将为2020年中国C-V2X的商用部署铺平道路。联合30余家领先的中国汽车产业链企业,高通参加了在中国汽车工程学会年会暨展览会期间于上海举行的中国首次“跨芯片模组、跨终端、跨整车、跨安全平台”的C-V2X应用展示。此次应用展示,彰显了C-V2X技术在预防行驶事故如车辆碰撞方面的能力。

“跨芯片模组、跨终端、跨整车、跨安全平台”的C-V2X“四跨”应用展示
参加此次应用展示的汽车制造商包括:上汽集团、吉利汽车、上汽大众、长安汽车、长城汽车、广汽集团、福特汽车、东风汽车、一汽集团、北汽集团、江淮汽车、奇瑞汽车、雷诺-日产-三菱联盟阿利昂斯和蔚来汽车;参加展示的汽车通信方案供应商包括:联创汽车电子、星云互联、万集科技、金溢科技、东软汽车电子、东软睿驰、延峰伟世通、均胜车联、中移物联网、亿咖通科技、雄狮科技、Savari、Cohda Wireless、华砺智行、移远通信、中兴通讯和高新兴物联;以及安全平台厂商国汽智联和大唐电信集团。
本次测试的大部分演示整车和车载单元(OBUs)装置均采用了Qualcomm® 9150 C-V2X芯片组解决方案,通过高性能的车对车(V2V)以及车对基础设施(V2I)通信,支持一系列智能互联驾驶辅助应用。
此次互操作性测试的四类V21演示场景包括:安全限速预警、道路危险状况提示、闯红灯预警和绿波车速引导和弱势交通参与者提醒。三类V2V演示场景包括:前向碰撞预警、盲区提醒和故障车辆预警。同时还展示了四类安全机制验证场景,包括伪造限速预警防御、伪造红绿灯信息防御、伪造紧急车辆防御和伪造前向碰撞预警防御。
中国智能网联汽车产业创新联盟秘书长公维洁表示:“联盟一直积极参与智能网联汽车产业和技术的发展,通过整合跨行业资源,推动产业协同创新。我们很高兴看到高通积极参与此次的多跨应用展示,携手产业链企业进行C-V2X技术的实验验证。C-V2X的应用能够提升车辆的安全和行驶效率,支持自动驾驶的实现。联盟希望携手包括高通在内的更广泛产业链企业一起,加快推动C-V2X的商用落地。”
高通产品管理高级副总裁Nakul Duggal表示:“中国一直是C-V2X技术发展的开拓者和引领者之一,高通很高兴能够通过本次互联互通应用展示,联合广泛的中国汽车生态系统合作伙伴加速C-V2X的商用部署。我们相信,包括C-V2X、5G、AI在内的前沿技术创新将支撑智能网联汽车走在汽车行业的最前端。我们期待和中国汽车生态系统的合作伙伴共同开启安全、高效、智能的未来出行新纪元。”
好文章,需要你的鼓励
本文介绍了由南方科技大学等机构于2026年4月发表的研究(arXiv:2604.08865),提出了名为SPPO的大模型推理训练新方法。该方法将推理任务重新建模为"序列级情境赌博机",用一个轻量级价值模型预测题目难度,以单次采样替代GRPO的多次采样,解决了标准PPO的"尾部效应"问题。实验显示,SPPO在数学基准测试上超越GRPO,训练速度提升约5.9倍,配合小尺寸价值模型还能显著降低显存占用。
这项由香港科技大学数学系完成的研究(arXiv:2604.10465,2026年ICLR博客论文赛道)提出了一种从朗之万动力学视角理解扩散模型的统一框架。研究指出,扩散模型的前向加噪和逆向去噪过程,本质上是朗之万动力学这一"分布恒等操作"被拆成了两半。在这个视角下,VP、VE-Karras和Flow Matching等不同参数化的模型可被精确互译,SDE与ODE版本可被统一解释,扩散模型相对VAE的理论优势得以阐明,Flow Matching与得分匹配的等价性也得到了严格论证。
中国人民大学高岭人工智能学院等机构联合开发了AiScientist系统,旨在让AI自主完成机器学习研究的完整工程流程,包括读论文、搭环境、写代码、跑实验和迭代调试,全程无需人工干预。系统核心设计是"薄控制、厚状态":由轻量指挥官协调专业代理团队,通过"文件即通道"机制将所有中间成果持久化存储,使每轮工作都能建立在前一轮积累的基础上。在PaperBench和MLE-Bench Lite两个基准上,系统表现显著优于现有最强对比系统,论文发布于2026年4月。
这项由字节跳动发布的研究(arXiv:2604.13030)提出了生成式精化网络(GRN),一套模仿人类画家"边画边改"直觉的视觉生成新框架。其核心包括两项创新:层级二进制量化(HBQ)通过多轮二分逼近实现近乎无损的离散图像编码,以及全局精化机制允许模型在每一步对整张图像的所有位置重新预测并随时纠错,从根本上解决了自回归模型的误差积累问题。配合基于熵值的自适应步数调度,GRN在ImageNet图像重建(rFID 0.56)和生成(gFID 1.81)上均创下新纪录,并在文本生成图像和视频任务上以20亿参数达到同等规模方法的领先水平。