Agent-workpace-Linux 是一个开源项目，可为 AI 代理提供一个隔离的、隐藏的 Linux 桌面环境，代理可通过 MCP 协议完全控制该桌面，而不会影响用户真实的桌面、鼠标、键盘或浏览器。它支持 Xvfb 显示、窗口管理、应用启动、截图、剪贴板操作以及独立的浏览器自动化，并提供了可选的权限边界和实时监控功能。

LWN的文章讨论了AI爬虫机器人的问题，指出这些自动程序对网站内容造成侵权，并探讨了应对措施。

本周AI头条：马斯克对OpenAI的1500亿美元诉讼被驳回；Google I/O 2026发布多项AI更新，包括Gemini 3.5 Flash和Gemini Spark；OpenAI的AI解决了一个80年历史的数学问题；美国《Take It Down Act》生效，要求平台48小时内删除深度伪造内容；SpaceX IPO后计划以600亿美元收购AI编码初创公司Cursor。

Crew44 是一款本地优先的开源工具，可将多个 AI 编程智能体（如 Claude Code、Codex、Gemini、Cursor）组织成协同工作的专业团队。无需账户、免费、MIT 许可，支持记忆与技能积累。

EAGLE团队、vLLM团队和TorchSpec团队联合发布了EAGLE 3.1，旨在解决生产环境中推测解码的不稳定性。该算法通过FC归一化和归一化后隐藏状态反馈两大架构改进，有效应对注意力漂移问题。在长上下文任务中，EAGLE 3.1的接受长度比EAGLE 3提升高达2倍；在Kimi K2.6模型上的基准测试显示，并发数为1时每用户输出吞吐量提升2.03倍。EAGLE 3.1完全向后兼容，已合并至vLLM主线，并将随v0.22.0版本发布。

尽管AI对白领工作的威胁日益引起恐慌，但数据显示AI尚未对劳动力市场产生大规模影响。实际上，AI高暴露职业的失业率反而低于低暴露职业。然而，斯坦福大学的一项研究发现，AI可能正在悄悄削弱初级职位，年轻工作者在AI暴露职业中的就业率大幅下降。本文还涵盖了教皇呼吁监管AI、SpaceX发射、华为芯片突破等其他技术新闻。

Mirdel是一款本地优先的桌面AI工作空间，将对话、知识库、笔记、翻译、图像和视频处理、本地模型及可扩展工作流整合到一个长期运行的环境中。它注重数据隐私和用户控制，支持多种云模型和本地模型，并通过Applet、Skill和MCP协议实现工作流的模块化和复用。

了解OpenAI、Thrive和Crete如何使用Codex构建自改进税务代理，实现申报自动化、提高准确性并加速工作流程。

本文探讨了在AI写作泛滥的时代，如何有意识地选择使用AI，避免认知投降，并保持人类思考能力。通过教育领域的实验对比，文章指出使用AI代替思考会损害学习，而作为辅导工具则能提升效果。作者呼吁个人和社会在默认机制形成前，主动决定哪些任务保留给人类。

OpenAI聘请了一位曾在Salesforce从事营销工作13年的高管，负责公关事务。

本文引用了凯尔·费拉纳的一条推文，用《星际迷航》的比喻说明AI系统中的“谨慎”策略。在技术领域，仅仅有防御措施是不够的，必须真正执行才能避免严重失败。

本文探讨了如何通过游戏化机制（如打卡、徽章、排行榜）利用行为心理学来提高AI编程工具的采用率。分析了习惯循环、损失厌恶、社会比较理论、内在动机与外在动机的平衡，以及流体验的设计原则，并警告了Goodhart定律可能导致的作弊问题。提供了实现持久参与的设计建议。

新加坡国立大学、MIT和A*STAR的研究人员提出MEMO，这是一种模块化框架，将语料库知识编码到一个可单独训练的记忆模型中，使大型语言模型能够无需重新训练或微调即可吸收新知识。

只需一段提示词，OpenAI员工Vaibhav分享的Codex自我蒸馏法引发热议。

AI模型在原始智能方面似乎已达到平台期，下一阶段的进步来自于围绕模型构建的“代理马具”。本文介绍了代理马具的概念，包括工具、记忆和人类参与，并比较了Google、LangChain、OpenAI、Anthropic等公司的解决方案。

一篇新论文首次大规模评估了使用大型语言模型（LLM）生成形式化证明来解决开放数学问题的能力。最先进的智能体以每个问题几百美元的成本，自主解决了353个开放Erdős问题中的9个，并验证了492个OEIS猜想中的44个，目前已部署在组合学、优化、图论、代数几何和量子光学等多个领域。研究表明AI辅助形式化证明搜索在数学研究中具有巨大潜力。

一些股东团体越来越担心人工智能不受约束发展带来的责任风险，并推动企业采取更严格的监管措施。Vancity投资管理公司要求Alphabet更好地防止AI聊天机器人传播错误信息，而其他投资者则希望Shopify制定负责任AI使用政策。两家公司均建议股东反对这些提案。

Mr. Guy Invests 是一款面向初学者的免费股票研究与投资组合追踪工具，利用SEC公开数据追踪对冲基金和内幕交易，提供AI股票导师、虚拟交易挑战、每日市场简报等功能。免费版有每日使用限制，Pro版每月4.99美元可解锁无限功能。

AI芯片需求爆涨推动SK海力士和美光市值突破万亿美元，三星也跻身其中，但市场对AI泡沫的担忧加剧。

提出随机解耦策略梯度（SDPG）方法，一种轻量级视觉强化学习技术，可在单块NVIDIA RTX 4080 GPU上数小时内端到端训练多种视觉运动控制策略。SDPG通过轨迹rollout的随机扰动估计策略梯度，大幅减少批量渲染环境的数量以及计算和内存开销。在视觉MuJoCo基准测试中，SDPG在训练时间、内存使用和奖励方面一致优于基线方法。此外，引入了涵盖灵巧操作和挑战性运动的全新真实感视觉机器人基准测试，并在物理硬件上展示了有效的模拟到现实迁移。

针对动态城市物流中时间敏感任务随机出现导致的异构自主空中飞行器（AAV）任务分配优化难题，本文提出一种强化学习增强的重叠联盟形成博弈方法。该方法建立动态任务分配模型，以耦合服务质量与资源消耗的广义物流成本量化全局最优性；并设计基于Transformer的软演员-评论家网络，利用多头自注意力机制处理可变长度物流状态、捕捉任务间时空依赖，从而自适应引导联盟更新，取代传统启发式规则。理论证明联盟形成过程构成精确势博弈，确保有限次迭代收敛到纳什稳定均衡。在32架AAV与80个任务的场景下，相比启发式重叠联盟形成基线，成本降低39.76%；室内飞行实验进一步验证了实用性。

本文提出一种鲁棒Koopman-CBF SAC框架，通过数据驱动的Koopman预测器构建升维空间中的仿射CBF约束，并利用二次规划安全层强制执行，同时考虑近似误差的鲁棒性调整。在CartPole任务中实现零违规，但在高维任务中暴露了一阶速度障碍和线性EDMD模型的局限性。

本文提出R2P2分散式方法，通过规则分配推、支撑、阻止角色，并采用比例速度控制，实现多机器人协作推动箱体在不同倾斜度和摩擦力的地表（平坦、上坡、下坡）上运输。该方法减少了通信与同步需求，避免单点故障。在NVIDIA IsaacSim仿真中，六机器人团队验证了其在不同地表和箱体质量下的泛化能力，成功率优于传统虚拟领导者-跟随者方法。实际实验中，四台Turtlebot成功移动了1.2千克的箱体。

遥操作在机器人数据采集中至关重要，但新手操作员常产生虽任务成功但次优的示范。本文提出数据质量评估与反馈（DQAF）框架，通过即时反馈提升示范质量。

RCSP是一种预测性规划层，通过评估候选命令在短期障碍物未来中的风险来避免机器人的近失承诺问题。在MuJoCo、ROS2/Gazebo和DynaBARN/Jackal模拟中，RCSP提高了安全性和路径质量，但增加了延迟，揭示了其作为现有导航堆栈补充模块的边界。

NightSight提出了一种轻量级感知方法，结合单目事件相机、编码孔径镜头和红外点阵投影器，使小型飞行器能够在完全黑暗的环境中自主导航。系统通过编码孔径产生深度相关的模糊特征，并用卷积神经网络解码为密集深度图，仅使用合成数据训练即可零样本泛化到真实场景。在NVIDIA Jetson Orin Nano上以20Hz实时运行，2.5米范围内误差仅7.0厘米（2.80%）。

提出了一种新框架，使异构机器人能够在带宽受限下协作导航，通过β-稀疏高斯过程选择地图点并平衡探索与任务相关性，模拟显示路径成本降低18%，信息传输减少76%。

本文提出PhyPush，一种物理引导的Transformer框架，仅通过单次推动的末端执行器速度即可估计物体的质量和摩擦系数，无需力/扭矩传感器。实验表明，在仿真和真实环境中，该方法相比基线具有更低的误差和更好的泛化能力。

本文提出信念感知GSAC（BA-GSAC），通过集成不一致性动态调节蒸馏系数λ，系统研究了自适应引导在部分可观测自动驾驶中的有效性。实验发现，在轻度至中度部分可观测条件下自适应引导有益，但在严重遮挡下自适应系数快速退化，原因是集成模型仅基于部分观测预测，无法感知缺失信息。改进方案是使用全状态预测训练集成模型。研究表明，简单的线性衰减调度在严重POMDP下表现最佳，稳定性收益主要来自调度策略而非自适应机制。

这项研究在视网膜眼底多病种图像数据集（RFMiD）上对12种架构（包括卷积神经网络、视觉Transformer、混合模型和视觉语言模型）进行了基准测试，比较它们在二元筛查和多标签分类中的性能。结果表明，所有模型在二元筛查中表现良好（AUC>84%），但基于注意力的模型（如SwinTiny、CoAtNet0、MaxViTTiny）在二元和多标签任务中均最优。视觉语言模型与CNN基线相当，但未超越最佳Transformer和混合模型。在Messidor-2上的外部验证中，AUC范围为66.8%-84.7%，混合和Transformer模型表现强劲。