員工在使用AI時出現“自我替代”現象，即他們主動撤回自己的判斷和貢獻，感到自身價值降低。這種現象比直接抵制更隱蔽但危害更大。文章分析了三個觸發因素（失去控制、信任和清晰度）並提出了通過創造“首次成功”來逆轉這一趨勢的方法。

Airis是一個完全本地、開源的AI生態系統，無需安裝即可運行。它集成了情感核心、屏幕分析、鼠標鍵盤自動化、持久記憶和移動端支持，並提供了與LM Studio和Open WebUI的對比。項目強調零依賴、便攜性和完全離線運行。

aurscan是一個用Go編寫的工具，在AUR包構建前利用Claude或本地模型檢測PKGBUILD中的惡意代碼。它結合確定性靜態規則和LLM判斷，能夠識別諸如CHAOS RAT和Atomic Arch攻擊等供應鏈攻擊。通過yay包裝器集成，支持多種後端（Claude CLI、API、本地模型），並提供fail-closed安全策略。

美國政府在2026年6月13日突然對Anthropic實施出口管制，要求其禁止所有外國用户訪問兩款最強AI模型Fable 5和Mythos 5，甚至包括Anthropic的外籍員工。此舉引發全球震驚，歐洲和加拿大紛紛質疑對美技術依賴，並呼籲加強本土AI產業。

科技公司一邊創下利潤和收入紀錄，一邊以AI為由大規模裁員。今年已有約15萬名科技員工被裁，日均974人，比去年快44%。上個月裁員近4萬人，AI連續三個月成為各行業裁員的首要原因。

文章探討了當前對AI持批評態度的人羣中存在的分歧：一方來自機構或相對特權的位置，傾向於懷念過去，希望通過恢復舊有模式來抵制AI；另一方則更加激進，不僅抵制AI，還主張改變整個行業結構。作者認為這種差異不會破壞統一陣線，但需要根據受眾選擇合適的表達方式。

本文探討了代幣資本（token capital）的概念，以及企業如何通過構建AI學習循環來利用代幣資本提升競爭力。重點介紹了代幣資本在數據、模型和反饋循環中的作用。

文檔AI利用機器學習、自然語言處理和OCR等技術，從合同、發票、表格等文檔中自動提取、分類和理解信息，將其轉化為結構化數據。與傳統OCR不同，文檔AI能理解上下文和含義。生成式AI增強了文檔AI的適應性，但仍需驗證和人工審核來保證準確性。治理在文檔AI中變得至關重要，以處理敏感數據。

Publia是一個平台，專注於將人工智能生成的內容轉化為實際可發佈的產品。

BrandLM是一款由Claude Mythos在一天內構建的AI可見性審計工具，可分析ChatGPT、Claude等AI平台對品牌的提及情況。

一項新研究表明，儘管87%的數字工作者在工作中使用AI，但只有13%的組織績效顯著提升。員工平均每週花費6.4小時進行“機器人保姆”工作——包括檢查、調試和清理AI輸出。更有69%的AI用户承認曾“機器人糊弄”，即在未完全審查的情況下交付AI生成的工作。報告強調，領先的組織正在構建AI的“人力基礎設施”，從個體、團隊和組織三個層面應對這一挑戰。

Z.ai 於 2026 年 6 月 13 日發佈了 GLM-5.2，這是其旗艦編碼模型系列的最新版本。主要特性包括 100 萬 token 的上下文窗口（約為 GLM-5.1 的 5 倍）、131,072 個輸出 token 以及兩種思考深度級別（High 和 Max）。該模型可無縫集成到 Claude Code、Cline 和 OpenClaw 等工具中，作為一個即插即用的替代方案。值得注意的是，Z.ai 在發佈時未公佈任何基準測試分數，但承諾將在下週發佈 MIT 開源權重。

一個平台，讓你在等待Claude Code完成任務時獲得報酬。

免費AI簡歷生成器，無需註冊，幫助求職者快速創建專業、ATS友好的簡歷。支持從零開始或上傳現有簡歷，AI增強每項描述，一鍵導出PDF或Word。

Applora是一款免費工具，利用AI分析Shopify應用商店中的低評分評論，自動提取商家痛點，並生成按構建難度排序的問題集羣和解決方案簡報，幫助開發者發現基於真實證據的市場缺口。

AI正在降低客户服務成本，但也可能加速組織風險。斯坦福大學的研究顯示，通用AI聊天機器人在法律查詢中的幻覺率高達58%-82%。當AI無法解決問題時，品牌淨推薦值可能驟降70點。本文探討了企業如何在部署生成式AI時保持組織準備度，包括信任門檻、確定性AI基礎以及升級設計等關鍵洞察。

AgentBridge是一個開源的Python項目，充當不同AI代理協議之間的翻譯和治理網格。它支持MCP、A2A、ACP等多種協議，提供身份驗證、預算控制、審計追蹤和策略引擎。目前是工作原型，已有6個協議和150多個測試通過。

一個視頻展示了Fugee，這是一款旨在幫助流離失所者和尋求庇護者適應新環境的AI助手。

加州上訴法院維持了對一家南加州律師事務所律師的6000美元制裁，原因是他們提交的摘要中存在生成式AI錯誤，初審法官稱這是“我擔任法官以來見過的律師 misconduct 最嚴重的例子”。

一篇引人深思的文章探討了使用AI完成學校作業是否構成作弊的問題，深入分析了教育系統的雙重目標——擇優篩選與形成性發展，並考察了學生在高壓競爭環境中求助於AI的原因。

MiMo Code是一款具有顯式長期記憶架構的編碼代理，旨在提升開發效率。

研究者提出一種可靠性感知的擴散規劃器，通過蒸餾視覺-語言模型生成場景級可靠性熱圖，引導無人機在3D導航中避免不可靠區域（如玻璃、鏡子），將障礙違規率從40.3%降至9.6%，平均可靠性從0.588提升至0.925。

AnyGoal是一種無需訓練的多機器人導航架構，利用視覺語言模型（VLM）驅動邊界探索，通過共享的2D高斯貝葉斯價值圖（BVM）協調智能體，在GOAT-Bench上達到52.4%子任務成功率，比Modular GOAT提升27.5個百分點。

ContactWorld基準測試覆蓋12項接觸豐富的操作任務，發現空間結構化且時間連續的表示（如點雲）能顯著提升規劃成功率至32.1%。觸覺傳感的有效性取決於跨模態表示兼容性，結合點雲與觸覺力場表示可達最佳性能36.1%。觸覺在長週期規劃中愈發重要。

研究發現，在單GPU上微調視覺-語言-動作模型（VLA-JEPA）時，存在“種子彩票”問題：相同代碼不同隨機種子導致一個種子模型性能從91-94%驟降至65.2%，且無任何警告。原因在於輸出坍塌——動作預測器輸出幾乎與輸入無關。傳統權重級正則化（如L2、EWC）無法檢測此問題，而輸出級正則化（VICReg、Dropout、半學習率）可完全消除災難性種子。最簡單方法是修改優化器配置中的一個數字。

本文提出了一種基於核表示的高效領域自適應策略學習算法。通過可微分的隨機傅里葉特徵核近似建模未知擾動，離線訓練僅需50秒即可優化控制策略，在線部署時通過最小二乘估計實時更新核參數，實現非平穩環境下的快速適應。在Crazyflie四旋翼上的仿真和硬件實驗驗證了該方法在複雜氣動效應、風擾、地面效應和載荷變化下的有效性。

這篇綜述論文探討了自動駕駛從單一車輛智能向多智能體具身系統的轉變，重點介紹了共享世界模型（SWMs）作為跨車輛的預測性表示。文章回顧了超過380篇出版物，涵蓋V2X通信、協作感知、智能體間認知、協同規劃、端到端協同駕駛以及閉環驗證的仿真引擎。研究發現當前評估集中在仿真和離線協議，基於基礎模型的協調缺乏實時安全保證，並提出了可驗證的共享狀態維護、魯棒的意圖與計劃對齊以及安全協調行動等關鍵研究優先方向。

FlowMo-WM 是一種端到端可訓練的視覺世界模型，專為機器人學習設計，能夠從圖像和動作歷史中推斷物體中心的運動狀態以及與隱藏漂移相關的長曆史上下文，無需流場直接監督。通過將歷史分解為短歷史潛在狀態和長曆史上下文，並採用零上下文殘差過渡，該模型在模擬的水面車輛環境中顯著提升了長時程預測的準確性。

本文介紹μ₀，一種基於3D軌跡的可擴展世界模型，通過預測物體、工具、手等交互點的平滑3D軌跡，避免了像素重建和動作標籤依賴。該系統利用TraceExtract自動從視頻中提取3D監督信號，結合視覺-語言骨幹網絡和軌跡專家模塊進行預訓練。實驗表明，μ₀在2D和3D軌跡預測上優於基線方法，且凍結後的μ₀可與動作專家結合用於下游機器人任務，性能媲美使用動作監督的VLA模型。

一種基於被動分佈式聲波導的觸覺傳感新範式，利用深亞波長聲波導實現靈敏度、魯棒性與柔韌性的兼得，在宏觀彎曲下保持聲傳輸不變，通過稀疏麥克風陣列實現實時定位與波形重建。