英國皇家植物園邱園的一份報告指出，人工智能和數字化技術的興起可能成為植物學家在“滅絕競賽”中的轉折點，幫助他們識別和拯救瀕危植物。新技術使科學家能夠追蹤全球開花時間的變化、快速識別新標本，甚至從180年的真菌標本中獲取關鍵基因數據，開啓“基因組金礦”。

研究人員利用小型開源AI模型創建了一種自適應計算機蠕蟲，能夠自主發現並利用漏洞在網絡中傳播，突破了傳統安全防禦的侷限。這一發現標誌着網絡威脅質的轉變，對全球網絡安全構成重大挑戰。

在中美AI競賽中，開源與閉源模式的哲學分歧可能決定勝負。中國AI實驗室積極發佈開源模型，而美國巨頭如OpenAI和Anthropic則採用閉源方式。前Hugging Face亞太區負責人王鐵振在Rest of World活動中討論了開源模型的歷史、中國AI實驗室的盈利方式以及模型蒸餾和知識產權爭議。

文章通過懷特海與阿倫特的思想對比，探討了將思考外包給AI的風險：隨着AI日益滲透生活，我們創造了一個不受人類意識直接監管的社會活動層，使世界變得難以理解，如同無意識驅動行為。作者警告，這種趨勢可能導致文明退化而非進步。

YouTube調整算法，導致依賴AI生成內容的“無臉”創作者流量和收入驟降，成為最新受害者。

Kate Moussouris證實，導致Claude Fable 5被出口管制的“越獄”實際上是其修復代碼的能力。專家指出，阻止AI修復漏洞會削弱防禦能力，而非技術決策者可能因誤解而禁止有助於網絡安全的模型。

Crypto Clarity AI 是一款使用12維AI分析的投資組合健康評分工具，幫助用户發現隱藏風險，如集中度、相關性、回撤等。提供免費60秒健康檢查，一次性付費19美元終身訪問，可選15美元/周的監控服務。

代理AI基金會（AAIF）是一箇中立的開放基金會，致力於推動代理AI的透明、協作發展。近期動態包括Coinbase推出基於MCP的代理交易工具、SemiAnalysis指出AI訂閲定價嚴重低估、Nous Research發佈Hermes Agent Profile Builder。基金會還支持多個開源項目並舉辦全球活動。

AATF是一個開放規範及參考SDK，用於記錄AI代理的每一步決策，包括考慮的替代方案、置信度以及被拒絕的選擇。它旨在提供決策可審計性，類似於OpenTelemetry的可觀測性，但專注於代理決策的透明度和可問責性。本文介紹了AATF的核心格式、快速上手示例、與其他工具的對比、集成方式以及項目狀態。

歐盟開發了一套圖標，供生成式AI系統的部署者用於標註AI生成或修改的內容，以符合《人工智能法案》的透明度規則。本文介紹了需要標註的內容類型、例外情況、圖標變體、使用規範和許可信息。

LV-Calib是一種利用可打印平面靶標進行激光雷達與相機外參標定及激光雷達邊界響應校準的框架。該框架通過視覺標記和圓形反射率邊界提供特徵點，並採用迭代優化方法處理由有限波束足跡和混合強度返回引起的過渡帶失真，實現了亞像素重投影精度和毫米級激光雷達特徵一致性。實驗表明該方法能顯著提升里程計性能。代碼和數據將開源。

ViTaL框架利用雙層優化結合視覺和觸覺信息，在推理時引導生成式機器人策略，顯著提高接觸密集型操作任務的成功率。

一項新研究發現，操作員在接觸密集型人機交互中通過增加生理努力（特別是自主神經工作負荷）來抑制熱不適，從而維持任務表現。研究結果推動了生理感知控制架構的發展。

本文提出DynaHMRC，一種去中心化框架，將每個機器人作為角色感知的大語言模型代理，通過四階段閉環流程（自我描述、任務分配與領導權競標、領導者選舉、反思執行）實現異構多機器人團隊的動態任務協作。該框架解決了集中式LLM調度器可擴展性差、對動態任務適應不足以及領域數據稀缺等問題。實驗表明，DynaHMRC在成功率和效率上優於強基線方法，並展現出良好的可擴展性。

VANDERER是一種新穎的移動代理探索框架，僅使用單目攝像頭數據，通過視覺好奇心模塊引導預訓練的擴散策略，無需傳統佔用地圖。在模擬環境中，它平均比NoMaD多探索13.4%的區域，並發現視覺與幾何好奇心在室外環境中的直接相關性。

TacStyle提出了一種新方法，通過結構化潛在表示來學習用户偏好，並利用基礎模型解釋該空間以選擇所需行為，從而實現對機器人行為的精細控制，減少對大量偏好標籤的依賴。實驗表明，該方法在模擬和真實環境中均能更精確地適應用户偏好。

研究人員提出了一種流水線，利用合成數據訓練基於Transformer的模型，用於無人機安全着陸區域檢測，彌合了模擬與現實的差距，並消除了手動標註的需求。

一種名為Steady-Forcing的新框架，通過結合視覺錨點、運動記憶、時間編碼等技術，在固定攝像頭的長時序自然視頻生成中，有效平衡了場景穩定性與自然流體運動的連續性，顯著提升了背景一致性和成像質量。

本文提出邊界平衡回放網絡（BBR-Net），通過邊界感知優先級和類別平衡選擇回放樣本，保留解剖結構信息。在CAMUS和CardiacNet數據集上評估，前向任務中性能接近聯合訓練，減少災難性遺忘；反向任務中發現當初始表示來自噪聲數據時結構感知回放失效。結構擾動分析表明回放效果依賴於存儲結構的可靠性。

視覺語言模型在機器人等關鍵領域廣泛應用，但輸出來自不確定性量化至關重要。FUSE 提出一種概率框架，融合來自數據模糊性的偶然嵌入級不確定性和來自模型響應多樣性的認知模型級不確定性，通過貝葉斯機制生成標量不確定性度量，可可靠預測輸出正確性，實現最先進的不確定性校準。

本文提出卷積和自注意力可以通過k近鄰聚合框架統一，並介紹ConvNN，一個能夠精確恢復標準卷積和自注意力的統一框架，支持探索局部與全局聚合之間的連續頻譜。

本研究利用AI和計算機視覺技術提升海上安全，通過比較六種深度學習架構（包括CNN、遷移學習模型和Vision Transformer）在6468張圖像上的表現，發現Vision Transformer在準確率、錯誤率和處理速度上均達到最優，展示了AI在海上監視、邊境保護和自主導航中的潛力。

RAMS是一種輕量級運行時控制器，用於嵌入式邊緣設備的目標檢測，通過監控資源壓力並根據檢測結果動態選擇YOLOv8模型（NANO/SMALL/MEDIUM），在保持精度的同時大幅降低延遲。實驗表明，在Jetson Orin上，安全策略2實現了3.41毫秒的平均延遲，比固定MEDIUM模型快5.6倍，並保留了74%的代理精度。檢測條件切換在重負載下使SWAS提升高達47.3%。

ReportQA是一種新型放射學報告評估框架，通過構建知識樹和生成問答對，利用大語言模型作為裁判計算QAScore，解決了傳統指標臨牀相關性不足和覆蓋實體有限的問題。實驗表明QAScore與放射科醫生判斷更一致，並揭示了基於報告推理範式的侷限性。

該研究評估了LSTM、TCN和Transformer等深度學習模型在WESAD數據集上利用手腕和胸部傳感器信號進行多模態情感識別的效果。消融實驗表明，Transformer在多模態設置下準確率最高，TCN在僅手腕數據下表現最佳。集成方法結合三種架構的預測，達到了98.91%的準確率和98.56%的宏F1分數。

該研究在固定推理預算下重新評估網絡代理的在線增強模塊，發現與使用相同預算進行更多步數的基線模型相比，AWM、ASI和ReasoningBank等模塊並未帶來顯著優勢，其表面增益往往消失。研究強調運行間方差應作為核心評估指標。

Nemotron 3 Ultra是NVIDIA發佈的一款550億總參數、55億活躍參數的混合專家語言模型，融合了Mamba和Transformer架構。在20萬億token上預訓練，支持100萬token上下文，推理吞吐量比現有開源LLM高6倍，精度相當。模型開源，適用於長時自主智能體任務。

提出CoRA框架，基於GRPO強化學習對齊模型置信度與生成理由，減少誤導性高置信度答案。在MedQA等數據集上，對齊誤差降低26.51%，準確率保持且校準改善。

因果Transformer在自迴歸分解下能高效處理從左到右的序列，但難以處理任意條件（如同時依賴過去和未來標記的文本塊）。新提出的AC-GPT通過簡單修改標準因果Transformer，在單次前向傳播中實現對任意條件（包括過去、未來和混合上下文）的評估與採樣，同時保持從左到右的順序和下一個標記預測目標，兼容現有LLM微調。實驗表明該方法在建模任意條件上優於基線，且不降低標準從左到右性能。

研究人員提出了一種名為'Telegraph English'的可讀符號格式，用於多跳問答中的上下文壓縮。它以更少的令牌成本將檢索到的段落重寫為結構化的實體-關係語句，從而保留推理證據。在MuSiQue、TwoWiki和HotpotQA上的對照實驗中，它在每個數據集上都優於三種匹配預算的壓縮基線（字符級刪除、截斷和隨機子採樣），F1分數提高了13到20個百分點。在最難的數據集上，它還優於同一編碼器生成的連貫散文摘要。預先註冊的深度交互假設未得到支持：優勢並未隨數據集內推理深度的增加而增加。這些結果表明，在匹配的令牌預算下，可讀符號重新表達比自然語言或連貫摘要更能密集地保留實體內容。