1.比亚迪首次登顶研发支出榜
根据证券时报·数据宝的统计数据，2024年共有290家上市公司研发支出超过10亿元，研发支出占营收比例超过10%的公司达到925家，这两项数据均创下历史最高记录。27家公司的研发支出超过了百亿元，其中比亚迪、中国建筑、中国移动、中国石油和中国中铁位列前五。2024年，比亚迪的研发支出高达541.61亿元，首次在A股历史上位居榜首。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
数据宝的统计显示，过去十年A股的整体研发支出及占营收的比例逐年增加。2024年，A股上市公司的总研发支出达到1.87万亿元，研发支出占营收的比例为2.6%。A股公司的研发支出规模达到新高，研发强度显著提升，成为推动企业转型升级和增强核心竞争力的关键动力，为中国经济的高质量发展注入了强劲动力。
尽管2024年A股总体净利润略有下降，但研发支出占净利润的比例却逆势上升至35.81%，创下历史新高。此外，A股公司投入研发的人员比例也逐年增长，2024年研发人员数量达到347.15万人，占总员工数量的11.27%，这一比例创下近十年来的新高。这些数据的增长表明，尽管面临短期业绩压力，上市公司依然坚定地增加研发投入，以实现技术创新、产业升级和长期可持续发展，同时也反映了政策支持和市场环境对企业创新的积极引导作用。
从行业角度来看，数据宝统计显示，2024年共有8个行业的研发支出超过千亿元，其中建筑装饰、电子和汽车行业的研发支出规模位列前三。与去年同期相比，汽车和电子行业的研发支出增长尤为显著，均超过200亿元。
2.一季度我国软件业务收入31479亿元 同比增长10.6%
软件业务收入稳步增长。一季度，我国软件业务收入达到31479亿元，同比增长10.6%。利润总额的增速继续保持两位数增长。
一季度，软件行业的利润总额为3726亿元，同比增长11.6%。软件业务出口增速实现由负转正。一季度，软件业务出口达131亿美元，同比增长2.4%。
按地区划分，一季度，东部地区、中部地区、西部地区和东北地区的软件业务收入分别同比增长10.6%、11.8%、9.9%和10.9%。东部地区占全国软件业务总收入的84.2%。京津冀地区的软件业务收入同比增长11.8%，长三角地区的软件业务收入同比增长10.4%。
北京、广东、江苏、山东和上海的软件业务收入位居全国前五，同比分别增长11.8%、8.2%、10.0%、12.4%和14.1%。
3.华科北邮联合推出PR1：强化学习助力多模态LLM视觉感知超越YOLOv3
近日，华中科技大学和北京邮电大学等多所高校的研究团队联合推出了名为Perception-R1（PR1）的多模态大语言模型。该模型在COCO2017验证集上首次突破30AP，成为首个超越YOLOv3和Faster-RCNN等传统视觉模型的纯多模态开源LLM。
Perception-R1主要关注纯视觉任务（如计数、通用目标检测）和视觉语言任务（如grounding、OCR），通过探索基于规则的强化学习（rule-based RL）来提升模型的感知能力。目前，该项目的论文和代码已完全开源，研究团队希望为社区提供一个强大的基准，支持后续相关研究。
随着OpenAI o3等模型的出现，人工智能竞赛已进入以"视觉推理"为代表的新阶段。从GPT-4V到o3，短短两年内，AI视觉理解能力取得了显著进步。然而，现有多模态大语言模型（MLLM）如GPT-4o、Google的Gemini以及开源的Qwen-VL和LLaVA，尽管在一般视觉问答方面表现出色，但在需要精确物体定位、准确计数多个物体、复杂布局中文本识别或执行复杂视觉推理的任务上仍存在明显不足。
Perception-R1并非从头构建新模型，而是一个后训练框架，旨在通过基于规则的强化学习显著增强现有多模态模型（如Qwen2-VLInstruct-2B）的视觉感知能力。该框架使用Group Relative Policy Optimization（GRPO）技术来优化模型的"感知策略"，包括从图像中提取视觉细节、执行逻辑操作以及生成正确格式的输出。
在实验评测中，Perception-R1在多项视觉任务上取得了突破性表现。在视觉定位（RefCOCO/+/g）、OCR（PageOCR）、视觉计数（Pixmo-Count）以及目标检测（COCO2017）等任务上，该模型均显著超越了原始的Qwen2-VL-2B-Instruct基线，甚至在某些任务上接近专门设计的"专家"模型性能。特别是在COCO2017目标检测任务上，Perception-R1达到了30.3的AP值，成为首个突破30AP的纯多模态开源LLM。
研究团队还进行了全面的消融实验，探究了奖励匹配、思考过程显式化以及监督微调与强化学习的优劣等因素对模型性能的影响。实验结果表明，Perception-R1具有良好的可扩展性，为后续大规模应用提供了实验验证。
Perception-R1的成功表明，当强化学习被精心适配到视觉任务的独特特性时，可以成为提升大模型视觉感知能力的有效工具。该研究挑战了视觉任务必须依赖语言推理的假设，强调了任务复杂性对强化学习效果的重要性，为构建下一代智能感知AI系统奠定了关键基础。
