揭秘美国Zoom动物：探索高清直播背后的神奇生物群体，中国科学院科学家首次证实：大语言模型能像人类一样“理解”事物高考数学全卷重赛！一道题难倒所有大模型，新选手Gemini夺冠，豆包DeepSeek并列第二（三）中兴巡天AX3000：自研芯片黑马
使用Zoom进行高清直播的动物群体之谜——揭开高清背后神奇生物群体的面纱
在美国Zoom这一科技巨头中，一款名为“Zoom Animals”的功能吸引了众多用户的关注。这款创新的应用程序不仅为用户提供高质量的线上互动体验，更凭借其强大的高清直播能力，让动物们在虚拟世界中得以自由展示他们的生活习性和行为特点。本文将深入探讨Zoom Animals背后的神秘动物群体，并揭示其高清直播背后所蕴含的神奇生物学奥秘。
让我们来看看Zoom Animals是如何实现高清直播的。Zoom Animals的核心是利用其先进的视频会议技术和设备，如支持1080p分辨率（即1920x1080像素）的高质量摄像机、高清晰度音频处理器和实时回放技术等，使用户能够在任何连接至Zoom的网络环境中享受到流畅、细腻的画面质量。具体来说，Zoom Animals通过以下步骤实现了高清直播：
1. 视频录制：摄像机自动捕捉并存储Zoom Meeting中的实时画面，保证了会议内容的完整和清晰。摄像机还会根据环境光线和空间大小等因素调整拍摄角度和距离，确保每个动物都能被精确地捕捉到。
2. 技术优化：Zoom Animals配备了先进的图像处理和压缩算法，使得图像数据能够在低延迟、低带宽条件下高速传输。这些技术能够最大程度地减少数据冗余，提高视频文件的储存和下载速度，从而降低对网络带宽的需求。
3. 高清转码：Zoom Animals支持多种高清格式的转换，包括H.265编码的1080p视频流和H.264编码的720p视频流。这些转换过程通过高性能的硬件驱动和软件算法实现，能够准确地将视频信号从原始格式转化为更高级别清晰度的视频流，从而提供更为逼真的高清画质。
4. 实时回放：Zoom Animals还提供了实时回放功能，让用户可以随时随地观看和回看Zoom Meeting中的视频内容。通过这一步骤，用户不仅可以欣赏到高清画质下的动物表演，还可以进一步研究动物的行为模式和生活环境，有助于提升动物保护意识和理解科学知识。
Zoom Animals所展现的高清动物群体，不仅以其丰富多样的形态和习性广受用户喜爱，更因其独特的高清直播功能而备受业界瞩目。除了高清画质外，Zoom Animals的秘密动物群体也隐藏着许多有趣的生物特性。比如，它们可能具有高度的社会性和领地意识，形成了独特的社会结构和组织形式，通过复杂的沟通与协作来维持生态平衡；或者是善于伪装和捕食的食肉动物，具有敏锐的嗅觉和视觉感知力，以捕获猎物为生。
Zoom Animals所呈现的高清动物群体也可能存在一些未知的生物学现象，例如某些动物可能存在着特异功能或特殊适应性，如飞行、潜水、隐身等。对于这些问题的研究，无疑需要科学家们运用最新的科研技术和手段，通过实地观察和实验，解开这些高清动物群体的神秘面纱。
Zoom Animals通过其高清直播功能，为我们打开了一个全新的视角，展现了地球上多样性的动物世界，同时也引发了我们对于动物行为、生态学和生物科技的深度思考和探究。随着科技的发展和人们对自然的理解深化，相信未来的 Zoom 动物直播将会更加丰富多彩，为我们带来更多的惊喜和启示。
IT之家 6 月 11 日消息，IT之家从中国科学院自动化研究所微信公众号获悉，近日该所神经计算与脑机交互（NeuBCI）课题组与中国科学院脑科学与智能技术卓越创新中心的联合团队结合行为实验与神经影像分析，首次证实多模态大语言模型（MLLMs）能够自发形成与人类高度相似的物体概念表征系统。这项研究不仅为人工智能认知科学开辟了新路径，更为构建类人认知结构的人工智能系统提供了理论框架。相关研究成果以 Human-like object concept representations emerge naturally in multimodal large language models 为题，发表于《自然・机器智能》（Nature Machine Intelligence）。
人类能够对自然界中的物体进行概念化，这一认知能力长期以来被视为人类智能的核心。当我们看到“狗”“汽车”或“苹果”时，不仅能识别它们的物理特征（尺寸、颜色、形状等），还能理解其功能、情感价值和文化意义 —— 这种多维度的概念表征构成了人类认知的基石。
传统人工智能研究聚焦于物体识别准确率，却鲜少探讨模型是否真正“理解”物体含义。论文通讯作者何晖光研究员指出：“当前 AI 能区分猫狗图片，但这种‘识别’与人类‘理解’猫狗的本质区别仍有待揭示。”团队从认知神经科学经典理论出发，设计了一套融合计算建模、行为实验与脑科学的创新范式。研究采用认知心理学经典的“三选一异类识别任务”（triplet odd-one-out），要求大模型与人类从物体概念三元组（来自 1854 种日常概念的任意组合）中选出最不相似的选项。通过分析 470 万次行为判断数据，团队首次构建了 AI 大模型的“概念地图”。
实验范式示意图。a，物体概念集及带有语言描述的图像示例。b-d，分别针对 LLM、MLLM 和人类的行为实验范式和概念嵌入空间。
研究人员从海量大模型行为数据中提取出 66 个“心智维度”，并为这些维度赋予了语义标签。研究发现，这些维度是高度可解释的，且与大脑类别选择区域（如处理面孔的 FFA、处理场景的 PPA、处理躯体的 EBA）的神经活动模式显著相关。
机器之心报道
编辑：杨文、+0
话接上回。高考数学一结束，我们连夜使用六款大模型产品，按照一般用户截图提问的方式，挑战了 14 道最新高考客观题，不过有网友质疑测评过程不够严谨，所以这次我们加上解答题，重新测一遍。
本次参加挑战的选手分别是：Doubao-1.5-thinking-vision-pro、DeepSeek R1、Qwen3-235b、hunyuan-t1-latest、文心 X1 Turbo、o3，并且新增网友们非常期待的 Gemini 2.5 pro。上一次我们使用网页端测试，这次除 o3 外，其他模型全部调用 API。
在考题选择上，我们仍然采用 2025 年数学新课标 Ⅰ 卷，包含 14 道客观题，总计 73 分；5 道解答题，总计 77 分。其中第 6 题由于涉及到图片，我们就单独摘出来，后面通过上传题目截图的形式针对多模态大模型进行评测。其他文本题目全部转成 latex 格式，分别投喂给大模型，还是老规矩，不做 System Prompt 引导，不开启联网搜索，直接输出结果。
（注：第 17 题虽然也涉及到图片，但文字表述足够清晰，不影响答题，因此也以 latex 格式测评。）
客观题计分方法按照以往高考判分原则：
至于解答题，由于现在还未出具体的评分细则，所以我们请数学专业的朋友进行评判，主要还是看大模型的最终答案以及解题步骤中是否有严重失误点。
7 家大模型考试成绩如下图所示。
从客观题来看，各家大模型几乎拉不开差距，最大分差也只有 3 分，第 6 题图像题更是让这几家多模态大模型「全军覆没」。在上一次测评中，o3 客观题成绩垫底，但有网友表示，这可能是由于某些原因导致后台自动切换成其他模型，而这一次我们选用的是未「降智」的 o3，选择题和填空题成绩仍是排在最后，当然，65 分的成绩相比「降智」版确实有很大提升。