Cordium 是一個基於 Kubernetes 和 Octelium 的開源沙箱平台，為開發者和AI代理提供隔離、可復現的通用沙箱環境。其核心優勢在於無需在沙箱中注入憑證即可安全訪問基礎設施，通過 Octelium 的身份感知代理實現無密碼訪問，支持多種訪問方式（Web、SSH、CLI、gRPC），並內置基於屬性的訪問控制和 OpenTelemetry 審計。

MashuPack是一款新推出的開發者工具，允許用户從代碼倉庫中精確選擇部分內容，並將其編譯成一個乾淨的文本文件，旨在解決瀏覽器端AI聊天工具（如ChatGPT和Claude）中文件數量限制、上傳困難和上下文碎片化的問題，使代碼上下文變得便攜、可控。

Curlo 是一款注重隱私的 macOS 應用，用於搜索、預覽和管理大型音效庫。它允許用户通過自然語言描述來查找音效或音樂，支持語義搜索、元數據搜索、相似音頻搜索、AI 自動標籤和 UCS 分類，所有操作均在本地完成。

本文討論了AI編碼工具如何大幅縮短功能開發時間，但同時也帶來了範圍蔓延的風險。作者以自身產品grith為例，分析了當每個功能只需幾小時而非幾天時，自律和範圍限制變得至關重要。

Linux 內核負責人 Linus Torvalds 表示，他將對開發者提交的無關緊要的拉取請求（其中一些來自 AI）進行更嚴格的審查，尤其是在發佈候選階段後期。他指出龐大的發佈候選版本不利於長期穩定性。

Anthropic開發的Claude Mythos AI模型能夠自動發現軟件漏洞，既可用於防禦也可能被濫用於攻擊，從而加速網絡犯罪。監管機構和金融部門正評估其風險，專家警告AI可能將網絡犯罪從技能問題轉變為規模問題。

Alister Palmer 在 ForwardPass 達到 100 訂閲者後，意識到傳統新聞通訊存在兩大限制：全球統一發布時間導致時區不適，以及訂閲者無法選擇接收頻率。為此，他開發了 ForwardPass MCP，允許用户通過 AI 工具自定義接收時間和頻率。文章詳細介紹了在 Claude 和 ChatGPT 中設置 MCP 的步驟，並展望了這種個性化交付方式的潛力。

著名投資人凱文·奧利裏計劃在猶他州博克斯埃爾德縣建設一個7.5吉瓦的AI數據中心，該項目類似他在阿爾伯塔省的計劃。儘管縣委員會已批准，但居民擔心環境影響，特別是對已經萎縮的大鹽湖的生態影響。奧利裏承諾透明開發並帶來經濟效益，但反對者要求公投。

DeepSeek V4系列發佈一個月後，開源社區推出Reasonix工具，專為DeepSeek設計，通過優化緩存機制將賬單成本降低至原來的五分之一左右。該工具緩存命中率高達99.82%，實現4億+token從61美元降至12美元。

2026年智源大會將於6月12日至13日在北京中關村國際創新中心舉行，匯聚圖靈獎得主、中國大模型領軍企業及全球頂尖學者，聚焦智能體與世界模型兩大趨勢，探討AI從數字世界走向物理世界的路徑。大會設有25場論壇，首次推出智能體聽會夥伴，並新增AI Native教育、Token經濟等論壇。

作者分享了其AI編碼流程的簡化過程，從使用複雜工具鏈轉向確定性構建塊，並通過自建擴展和本地工具顯著降低了token消耗。

提出SAGE系統，結合CLIP實現開放詞彙探索，在保持覆蓋的同時優先語義前沿。模擬中物體發現優於FALCON，探索速度比FTU快13.7倍，並在真實飛行中驗證。

研究人員提出π0-EqM，用均衡匹配解碼器替換π0中的流匹配專家，在相同計算預算下顯著提升機器人操作成功率。實驗表明，在19個任務上平均成功率從40.4%提升至50.2%，並發現任務相關的殘差與成功率之間的非單調關係，稱為“平穩性-可執行性差距”。該方法引入能量視角，為跨任務和跨本體的組合動作生成提供新思路。

論文提出四種利用足地接觸減少IMU漂移的腿式機器人狀態估計器，包括接觸輔助不變擴展卡爾曼濾波器、因子圖、固定滯後平滑器等，並已在GTSAM和ROS2中開源實現。

本文提出UfM*算法，通過緊湊高斯混合模型高效衡量多視圖不一致性，僅需單次深度神經網絡推理即可實現可靠的不確定性估計，在能耗和內存上遠優於傳統集成方法，適用於資源受限的機器人系統。

本文介紹了PIMbot框架，該框架通過獎勵通道激勵操控和智能體自身策略操控兩種互補手段，對多機器人強化學習環境進行對抗性操控。自適應多目標控制器在線平衡這些手段。實驗在Gazebo仿真環境和NVIDIA Jetson Orin Nano真實嵌入式設備上驗證了效果，PIMbot可作為多機器人協作任務漏洞的嚴格壓力測試工具。

研究人員提出一種方法，在關節限制下認證可達笛卡爾步長，在對抗場景中實現零違規和100%目標到達。

機器人從演示中學習獎勵函數時，演示常常不完善，導致某些重要特徵（即任務相關行為方面）未被充分指定，從而在部署時出現行為錯位。本文提出一種框架，通過分析演示中特徵值的變異性來檢測未充分指定的特徵（變異小表示指定良好，變異大表示指定不足）。機器人隨後用自然語言解釋其不確定的特徵，並主動請求針對性的糾正演示。在模擬桌面操作和真實Franka機器人用户研究中，定向解釋引導的查詢顯著優於隨機查詢和被動數據收集。

Agentic-VLA提出了一種智能體訓練框架，通過自適應獎勵合成、語言引導探索和經驗記憶三大創新，使VLA模型能夠在部署中高效在線自適應。在LIBERO基準測試中，長時任務提升12.3%，單樣本學習提升28.5%，跨任務遷移從0%提升至31.2%，收斂速度提升2.4倍。在RoboTwin 2.0雙機械臂基準上也保持優勢。

事件相機憑藉低延遲、高時間分辨率和高動態範圍，在高速運動和複雜光照條件下的視覺里程計任務中表現優異。深度事件視覺里程計（DEVO）通過結合稀疏補丁跟蹤、學習補丁選擇、循環對應優化和可微分光束法平差，實現了強大的單目事件里程計性能。本研究在DEVO基礎上添加了稀疏點雲導出管道，無需修改核心里程計算法，即可將內部估計的3D結構轉換為顯式點雲表示，支持可視化和後續處理。實驗表明，導出的稀疏點雲在局部與EMVS重建一致，在5釐米閾值下精度高，但也暴露了密度、完整性和對累積里程計噪聲敏感等侷限性。

本系統綜述評估了遠程遙操作血管內介入機器人的技術可行性、通信基礎設施和臨牀結局。在2501篇初始文獻中納入16項研究，發現機械或電磁驅動的遙操作導管和導絲可在長達7000公里的距離內導航，網絡延遲控制在30-163毫秒的臨牀可接受範圍內。小規模人體試驗顯示100%的手術成功率，但多數證據來自動物或模型研究。綜述指出，該技術有望減少輻射暴露、擴大患者就醫機會，並優化資源分配。未來需在低收入國家開展研究，並進行多中心臨牀試驗以驗證安全性和有效性。

利用毫米波雷達實現無需脱衣的快速全身測量，保護隱私，適用於臨牀和護理機構。

本文提出一種以運動為核心模態的視頻表示學習方法TIME（時間感知運動嵌入），通過掩碼自編碼器在點軌跡上進行自監督學習，僅使用合成運動數據訓練，在多種零樣本任務上達到與使用多四個數量級數據的SOTA模型相當的性能。

CoMoGen是一種可控視頻生成框架，通過輸入圖像的二進制掩碼序列生成逼真的交互動態。它引入輕量級MaskAdapter將掩碼編碼為潛在殘差信號，並通過餘弦加權調度注入多模態擴散變換器（MMDiT）。通過在MMDiT注意力空間中識別“運動層”，並僅對運動層使用低秩適配（LoRA）進行微調，CoMoGen在不改變架構的情況下降低了計算成本。實驗表明，CoMoGen在運動保真度和感知真實感方面達到了最先進水平。

視頻記錄兒童與照顧者的互動有助於研究自然行為中的注意力動態，但手動註釋耗時。GBAT是一個基於深度學習的工具包，可自動執行視頻同步、注視目標註釋和姿勢/手部動作分類，提高大規模發育研究的效率。

本文介紹了一種對DETR融合變換器基線的輕量級修改，用於MaCVi 2026視覺到航標數據關聯挑戰。該方法訓練了一個專用MLP（QueryMLP），從海圖測量和IMU姿態數據顯式預測浮標的水線接觸點的像素座標，並將其附加到基線解碼器查詢向量中，為每個浮標提供直接的空間先驗，減輕變換器解碼器的幾何推理負擔。在挑戰賽排行榜上，該方法在保留測試集上取得了0.7386的總分，F1為0.8055，mIoU為0.6718，在所有提交中排名第二。

VideoOdyssey是一個專為超長時間上下文和全模態視頻理解設計的基準，平均視頻時長109分鐘，覆蓋11個領域54個子類別，通過連續證書長度衡量認知負荷，並設有5個粒度級別。評估表明當前多模態大模型在持續推理、細粒度感知和非語言全模態理解方面存在瓶頸。

該研究質疑視覺語言模型（VLM）在基準測試中的高分是否真正反映其視覺理解能力。實驗發現，移除大量圖像令牌僅輕微降低模型性能，表明模型對細粒度視覺證據的敏感性不足。通過全局退化、局部遮擋、問題改寫、答案空間擴展及決策層分析，結合層視覺令牌幾何分析，研究者揭示模型預測在內部支持減弱時仍可能保持不變，且視覺令牌在深層中趨於相似。結論是當前基準無法可靠評估VLM的細粒度視覺基礎。

GEM-4D是一種幾何增強的視頻世界模型，通過注入密集的4D對應監督來提升機器人的操作能力。該模型在訓練時從預訓練的幾何基礎模型中提取知識，從而同時捕捉外觀和幾何結構，且不增加推理成本。此外，引入逆向動力學模塊，將一致的視頻序列轉化為可執行的機器人軌跡。實驗顯示，GEM-4D在視頻預測和幾何一致性上達到最優，並將真實世界操作成功率從61%提升至81%。

一項新研究發現，大型語言模型（LLMs）在回答宗教轉換問題時表現出持續的非對稱性。模型傾向於支持加入天主教、巴哈伊教和錫克教，同時勸阻放棄這些信仰，而對無神論者、不可知論者和耶和華見證人則相反。該研究測試了20個模型在182對宗教配對中的表現，結果具有可重複性。研究使用人類驗證的“LLM作為法官”框架，發現所有模型均顯示非對稱性，其中Grok 4.20最為顯著。這些偏差如果大規模部署可能產生現實影響。