AWS專業服務通過從根本上重建交付流程，而非僅僅添加人工智能工具，將項目時間從數月壓縮至數天。本文分享他們如何成為前沿團隊及其實現這一轉變的實踐。

華盛頓大學移動智能實驗室的Shyam Gollakota團隊正在利用機器學習開發一種新型耳機，能夠有選擇性地過濾掉觸發煩躁的噪音，同時保留或增強令人愉悦的聲音，例如鳥鳴。這一技術對患有恐音症的人羣尤其有益。

從編寫本地實驗腳本到構建可擴展的生產級AI系統，需要轉變Python編寫方式。本文介紹五種關鍵Python概念：生成器與惰性求值、上下文管理器、異步編程、數據類與Pydantic、魔術方法，幫助工程師管理內存、硬件資源、併發API調用和類型安全。

Anthropic正在為其新的Mythos模型限制某些任務的使用，同時開發直接與其最大客户競爭的應用程序。客户、合作伙伴和投資者均在施加壓力。

OpenAI收購了原名Gitpod的初創公司Ona，該公司專注於AI代理和安全的雲端開發環境，旨在增強Codex執行長時間自主編碼任務的能力。

OpenAI推出了三門學院課程，幫助人們培養實用的人工智能技能、創建可重複的工作流程，並在日常工作中應用智能代理。

Databricks 推出 Lakehouse Federation，無需遷移即可連接外部數據源，並通過 Genie 進行自然語言查詢，同時通過 Unity Catalog 保持治理一致性。

Kimi Work是Moonshot AI推出的本地桌面AI代理，支持macOS和Windows。它能在用户本地運行多達300個子代理的代理羣，通過WebBridge控制已登錄的瀏覽器，並內置定時任務引擎。基於Moonshot的旗艦模型Kimi K2.6（混合專家模型，激活參數約320億，上下文窗口256K），它可讀取本地文件、運行Python腳本、生成報告和幻燈片。與雲端代理不同，它直接在用户桌面上執行操作，保證數據本地化。

《衞報》刊登了斯蒂芬·科林斯的一幅漫畫，描繪了OpenAI總部的幕後場景，融合了人工智能、生活方式等主題，以幽默視角呈現科技與日常的交匯。

一項最新民調顯示，八成美國人對人工智能感到擔憂，多數人認為AI弊大於利。然而，無論公眾是否願意，AI正被強行納入養老金和投資組合，將美國人的財務未來與科技巨頭的AI競賽緊密捆綁。

SpaceX將於週五在華爾街上市，估值達1.77萬億美元，成為全球史上最大IPO。創始人埃隆·馬斯克持股比例高，若上市成功，他有望成為全球首位萬億富翁。

本文介紹了9項在Google Messages中推薦更改的設置，以提升隱私、減少干擾，包括關閉敏感內容警告、限制個人資料共享、禁用Gemini、關閉建議、自動刪除驗證碼、啓用RCS但關閉已讀回執和輸入指示器、顯示語音消息轉錄、禁用鎖屏預覽以及關閉氣泡功能。

Zyphra發佈了Zamba2-VL系列開放視覺語言模型，提供1.2B、2.7B和7B三個參數版本。模型採用混合Mamba2狀態空間與Transformer骨幹網絡，基於Apache 2.0許可發佈。在保持與同類Transformer VLM競爭力相當的同時，將首Token延遲降低了約一個數量級。

客户細分是根據共同特徵將現有客户羣體劃分為更小的組，以便定製營銷和服務。本指南涵蓋細分類型、方法、重要性、挑戰以及AI如何改變細分方式。

Gemini Omni將視頻生成直接集成到Gemini多模態AI助手中，支持從文本或圖像創建視頻、動畫靜態圖像以及編輯現有視頻。文章通過實際測試展示了其能力，同時指出使用限制、版權問題和區域限制等不足。

本教程使用MONAI構建端到端3D醫學圖像分割流水線，在Medical Segmentation Decathlon Task09數據集上進行脾臟分割。涉及CT體積數據處理、醫學圖像變換（方向對齊、體素間距歸一化、強度窗寬、前景裁剪、基於補丁的採樣），訓練3D UNet模型進行二元器官分割。採用混合精度訓練、DiceCE損失、滑動窗口推理、Dice驗證及定性可視化，從原始醫學體積到完整的訓練-驗證-可視化分割系統。

這款全球流行的增強現實遊戲收集的位置掃描數據，被用於訓練人工智能識別和解讀物理空間，未來可能幫助軍用無人機在戰區確定位置。

蘋果軟件主管 Craig Federighi 表示，新的 Siri 不會像其他聊天機器人那樣阿諛奉承或鼓勵用户建立情感聯繫，而是專注於提供幫助。

Qursor 是一款創新工具，允許用户通過指向任何用户界面元素，將其精確上下文發送給AI助手，從而簡化交互過程。該產品已在Product Hunt上發佈。

本文探討了AI領域中的“循環”概念，即設計自動循環來驅動代理，而非手動提示。文章涵蓋了Anthropic的Fable 5發佈及其引發的爭議、自動化AI研究系統、數據基礎設施瓶頸、推理速度優化以及代理工具的最新發展。

Sparse2Act是一種新的預訓練框架，利用任務空間末端執行器動作作為幾何監督來對齊稀疏點雲編碼器的觀察與動作。在LIBERO-10基準上達到86.9%的成功率，併成功跨域遷移至Meta-World-5（73.4%），真實世界實驗中達到72.5%的成功率。

EquiDexFlow是一種SE(3)-等變流匹配模型，能夠從物體點雲聯合預測腕部姿態、關節角度、指尖接觸點、表面法線和接觸力。該模型通過構造將接觸點投影到物體表面並將力約束到庫侖摩擦錐內，無需損失懲罰即可保證放置和摩擦合規。實驗表明，在200次旋轉測試中腕部殘差低於0.04°，關節偏差為零，且在所有消融變體中實現了零摩擦違規和最佳綜合分數。在物理機器人上，重定向後的抓取成功完成了所有六個測試物體的開環抓取保持任務。

EWAM是一種基於凍結核Cosmos3骨幹網絡的閉環在線自適應架構，通過推理時協同推理機制（包含四個輕量級神經層）實現零樣本任務適應，無需微調或額外演示數據，顯著降低新任務佈局所需的部署數據量。

arXiv新論文提出DARRMS算法，通過動態調整智能體的注意半徑來降低計算資源需求，在保持性能的同時提升多智能體系統的協調性和可擴展性。理論分析與實驗驗證表明，該自適應觀察方法在資源受限環境中有效提高了系統性能和決策魯棒性。

EgoEngine是一個可擴展的框架，能夠將自我中心的人類操作視頻轉換為高保真的機器人觀察視頻和可執行的動作軌跡，從而克服了從人類演示到機器人學習中的視覺和動作鴻溝。該方法在仿真和真實機器人上實現了零樣本的靈巧策略學習，無需真實的機器人演示數據。

本文提出FlowPilot，一種僅使用單目RGB攝像頭的無地圖長距離人行道導航策略。通過錨點流匹配進行預訓練，並引入人在迴路中的偏好學習，提升了社會合規性和反事實推理能力。仿真實驗中成功率達42%，路線完成率66%，真實世界實驗中干預率降低40.0%，非干預率降低52.1%。

本文提出G-MAPP框架，利用GPU加速世界建模和基於向量場的規劃，實現高達5倍的加速，並緊密耦合感知-行動循環，用於非結構化環境中的實時反應式運動生成。在7自由度Franka Emika機器人上的實驗驗證了其有效性。

本文提出Foresight框架，通過微調視覺語言模型在測試時迭代推演與修正運動規劃，實現稀疏語言指令下的無地圖導航。該方法利用人類反饋學習獎勵模型並強化學習後訓練，在真實環境中任務成功率提升37%，干預次數減少52%。

一種名為AEM的預訓練框架，通過從視覺-動作歷史中學習緊湊的時間表示，在仿真和現實世界的操作任務中優於基線方法。

本文展示了通過模仿學習端到端訓練的視覺-語言-動作（VLA）模型能夠支持協作操作。研究發現，動作分塊策略存在一個失敗模式——演示動作泄露，導致過早的輔助行為。提出了一種推理時轉向方法用於緩解錯誤。16名參與者的人機協作組裝任務實驗表明，轉向方法能夠實現更長的執行視野、更快的協作速度和更少的失敗。