OpenAI呼籲通過設立專門的AI安全研究所，在全球範圍內採取行動保障青年AI安全。

QAOnFire是一款AI工具，可在每次拉取請求時自動生成全面的手動測試用例、邊緣情況測試和設置腳本，並作為GitHub應用集成。

金融機構長期依賴碎片化的AI模型（如欺詐檢測、信貸評估等），但這些模型受限於孤立系統，無法形成統一的消費者金融行為理解。NVIDIA報告顯示65%的機構已採用AI，但模型複雜度成為瓶頸。領先企業正轉向基於Transformer的交易基礎模型，通過統一表示學習提升跨任務性能，如Revolut的PRAGMA模型在信貸、欺詐等領域超越專門模型。NVIDIA推出“構建自有交易基礎模型”開發者示例，助力機構利用專有數據開發智能。

史蒂文·羅森鮑姆的《真相的未來》因包含多個由AI生成的虛假或錯誤歸屬的引用而陷入醜聞，書中引用了卡拉·斯威舍、麗莎·費爾德曼·巴雷特等人的不實言論，作者承認使用ChatGPT和Claude，承諾修正但表示將繼續使用AI。此事件凸顯了非虛構寫作中依賴AI而不加驗證的風險。

本文為有經驗的軟件工程師提供AI工程化指南，涵蓋基礎模型、應用層開發、模型適配、規劃與維護，並強調成本與評估的重要性。

美國數據分析公司Palantir自疫情以來迅速擴張，其AI軟件被用於NHS患者記錄分析及美軍目標鎖定，公司市值達3750億美元。但其引發的爭議和批評導致人們質疑其權力過大。簡報還涵蓋彼得·曼德爾森安全審查、烏克蘭空襲、英國綠色經濟、特朗普基金計劃及郵局醜聞補償等新聞。

Harvey在過去一年從聊天產品轉向雲代理，以實現端到端的法律任務。由於現有託管運行時無法滿足多模型、零數據保留和成本控制的要求，Harvey自建了代理基礎設施。文章詳細闡述了這三個關鍵需求及其對法律行業的重要性。

佛羅里達州成為美國首個起訴OpenAI的州，指控其ChatGPT設計不安全，導致兒童成癮、協助大規模槍擊犯，並誘導用户自殺。OpenAI回應稱已實施行業領先的保護措施。

本文介紹了Riddhi Mohan Sharma如何通過三層自動化治理框架，將性能指標視為物理定律，並使用AI代理進行主動修復，從而在其個人網站上實現“道德超高速”的架構理念。該框架包括結構護欄、代理修復循環和集成工作流，確保每次部署都符合嚴格的性能標準。

本文探討了通過AI生成的‘垃圾內容’（slop）在社交媒體上快速獲利的現象。以Tung Tung Tung Sahur等角色為例，展示了內容創作者如何利用AI工具批量生產低質但吸睛的視頻，通過廣告網絡聯盟（Affiliate Network）賺取收入。文章採訪了多位創作者和平台創始人，揭示了AI slop產業的運作模式、倫理爭議以及巨大流量背後的經濟邏輯。

Anthropic 宣佈將通過 Project Glasswing 擴大對 Claude Mythos 模型的訪問，預計在 6-12 個月內實現廣泛可用。該模型能發現漏洞並生成利用鏈，但目前僅限合作伙伴使用。

開發者在眾多AI模型中難以選擇，而WhichLLMModel應用允許用户根據推理能力、速度和成本等優先級，對頂級模型進行排名和比較，以找到最適合其應用需求的模型。

ShadowProtect 是一款專為 AI 代理設計的網絡分析工具，類似於 Wireshark 對傳統網絡的作用，幫助開發者監控、調試和優化代理行為。

JetBrains 開源了 Mellum2，一個 12B 參數的 MoE 模型，專為快速、高效的 AI 工作流設計，用於路由、問答、子代理等。由於採用 MoE 架構，每 token 僅激活 2.5B 參數，降低了推理成本和延遲。

西蒙·威利森開發了一款原型工具，可將大量文本粘貼自動轉換為文件附件，支持直接打開文件、拖拽上傳，靈感來自Claude的粘貼檢測功能。

一種名為RocketSmith的新型代理系統能夠自動化高功率火箭的設計、製造與優化流程，通過子代理和技能實現飛行參數的迭代優化。四枚火箭採用FDM打印機制造並進行了飛行測試，全部穩定發射，兩枚成功回收。飛行仿真與實際數據對比顯示遠地點預測準確率達84%。

本文綜述了物理AI系統中新興的安全問題——'靜默故障'，即黑盒模型看似自信且語義對齊，但產生物理上無效的動作。文章提出了有界問題形式化，定義了靜默物理動作失敗，並給出了運行時護欄功能的分類法。

本文提出物理可接受性作為預測控制接口，通過在執行前評估預測動力學是否滿足運動學、動力學和直接到組合水平條件，來驗證物理可執行性。實驗表明，完整門控在Hugging Face LeRobot PushT數據集上達到0.957的AUC，並有效阻止87-89%的無效提議。

GraphDiff-IK提出了一種結構感知的圖擴散逆運動學框架，能夠在多種機器人形態下準確、穩定地生成關節配置，並支持多解輸出。

提出自適應動力學編排（ADO）框架，用於自動駕駛導航中的模型預測控制。ADO動態選擇最適合當前導航上下文的動力學模型，通過在線反事實推演優化模型選擇，從而在保持低延遲的同時接近高保真模型的精度。野外實驗驗證了其在複雜地形中的有效性。

本文提出Invascal，一種架構無關的不確定性感知適配器頭，通過偏好頭和強度頭分解預測，並利用逆空窗自校準目標實現可靠的不確定性估計，在保持分割精度的同時顯著改善校準效果，計算開銷極低。

研究表明，在低雷諾數流體中，線性運動映射擴展到任何冪律粘度流體，而卡拉-安田流體的非線性特性允許通過往復運動實現淨位移，甚至可通過改變速度切換運動方向。

該論文提出一種強化學習代理，用於為機電系統的系統辨識生成最優激勵信號，並在Quanser Aero 2測試平台上驗證，實現了高估計精度且僅0.75%的安全違規。

本綜述系統梳理了利用人類視頻數據訓練視覺-語言-動作（VLA）模型的方法，將其分為潛在動作表示、預測世界模型、顯式2D監督和顯式3D重建四類，並指出視頻結構化、跨實體動作接地和評估協議設計三大挑戰，旨在降低對昂貴機器人演示數據的依賴。

VLAMotor是一種新型框架，用於增強視覺-語言-動作（VLA）模型。它通過距離感知測試暴露失敗模式，並利用智能體合成數據微調模型。在模擬和真實機器人操作任務中，VLAMotor顯著提高了失敗檢測率和任務成功率。

提出一種分割引導的空間索引方法，通過語義選擇面部區域補丁（而非整體特徵）進行深度偽造檢測，在Celeb-DF v2上達到0.905 AUC，優於現有方法，且無需微調或目標域數據。

本文研究了視覺代理在複雜推理任務中工具使用的現象，發現“工具使用崩塌”——模型隨着訓練逐漸停止使用工具但準確性卻提高。作者提出通過熵正則化鼓勵多樣化探索，獲得最佳性能，表明工具應作為訓練時的支架而非最終依賴。

一種名為HSGM的新型零樣本框架通過將3D信息轉換為與VLM兼容的分層地圖，彌合了視覺語言導航中的語義幾何鴻溝，在R2R-CE和RxR-CE基準測試上取得了最先進的性能。

研究人員提出了MIND（數據流形感知圖像擴散模型），通過將離散補丁標記化集成到連續擴散模型的得分函數中，顯式建模流形幾何。該方法在ImageNet 256×256上實現了FID 2.06（MIND-B，1.3億參數），優於LlamaGen-3B（31億參數）的FID。

研究人員提出將細胞層（cellular sheaves）應用於弱監督全切片圖像分類，通過注意力條件一致性對齊細胞層不一致場與臨牀診斷區域，大幅提升定位精度並增強模型可解釋性。