1.比亚迪首次登顶研发支出榜

2.一季度我国软件业务收入31479亿元 同比增长10.6%

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

1.比亚迪首次登顶研发支出榜

据证券时报·数据宝统计，2024年共有290家上市公司研发支出超10亿元，研发支出占营收比例超10%的公司有925家，这2项数据均创历史新高。27家公司研发支出超百亿元，比亚迪、中国建筑、中国移动、中国石油、中国中铁排名前五。比亚迪2024年研发支出达到541.61亿元，A股历史上首次跻身榜首位置。

据数据宝统计，近10年来，A股整体研发支出及占营收比例逐年提升。2024年A股上市公司整体研发支出达到1.87万亿元，研发支出占营收比例为2.6%。A股公司研发支出规模创新高，研发强度显著提升，成为推动企业转型升级、提升核心竞争力的关键引擎，也为中国经济高质量发展注入了强大动力。

A股不仅在研发支出规模及强度上有所增长，在2024年A股总体净利润小幅下降的情况下，研发支出占净利润的比例也逆市上升，达到35.81%，创下历史新高。此外，A股公司投入研发人员的比例呈现逐年递增趋势，2024年研发人员数量达到347.15万人，占总员工数量的比例达到11.27%，这一比例创近10年来新高。这些数据增长的背后，侧面反映了上市公司在面对短期业绩压力时，依然坚定地选择加大研发投入，以实现技术创新、产业升级和长期可持续发展，同时也体现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，据数据宝统计，2024年共有8个行业研发支出超千亿元，其中建筑装饰、电子、汽车行业研发支出规模排名前三。与上一年同期相比，汽车、电子两大行业研发支出增长较明显，均达到200亿元以上。

2.一季度我国软件业务收入31479亿元 同比增长10.6%

软件业务收入稳健增长。一季度，我国软件业务收入31479亿元，同比增长10.6%。利润总额增速保持两位数增长。

一季度，软件业利润总额3726亿元，同比增长11.6%。软件业务出口增速由负转正。一季度，软件业务出口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%。京津冀地区软件业务收入同比增长11.8%，长三角地区软件业务收入同比增长10.4%。

北京、广东、江苏、山东、上海软件业务收入居全国前5，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

华中科技大学、北京邮电大学等多所高校研究团队近日联合推出了名为Perception-R1（PR1）的多模态大语言模型，该模型成为首个在COCO2017验证集上突破30AP的纯多模态开源LLM，超越了YOLOv3和Faster-RCNN等传统视觉模型的性能。

Perception-R1重点关注当下主流的纯视觉任务（如计数、通用目标检测）以及视觉语言任务（如grounding、OCR），通过探究基于规则的强化学习（rule-based RL）对模型感知能力的提升效果。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，短短两年时间内，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，虽然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框架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。