低提示詞，挑戰主流模型的交互邏輯。胖鵝AI由00後團隊打造，通過SOP體系讓用户無需學習即可使用AI，直接生成可用的視頻、數據看板等成果。

一份對2024年10月至2026年4月期間666筆AI投資的深入分析顯示，資金高度集中：前十大公司佔據了6490億美元總資金的81%。只有三個領域——通用大語言模型、編碼代理和雲計算——在交易數量、估值和領先投資者多樣性方面表現出真正的熱度。報告還揭示了資本結構陷阱（頭條數字因雲信用膨脹），並指出了地理套利機會。

LikeTony.ai 是一款免費的開源工具，可以將你的整個落地頁在短短 60 秒內改寫成值得信賴的名人（如埃隆·馬斯克、史蒂夫·喬布斯或尤達大師）的語氣風格。它通過替換文案來提升轉化率，支持任意 URL，並提供了“Tony Bot”功能以確保改進效果。

Genesis AI發佈首個機器人基礎模型GENE-26.5，單個模型實現單手打蛋、解魔方、彈鋼琴等複雜操作，全程自主運行。團隊獲1.05億美元種子輪，全棧自研硬件、控制棧、數據手套和模型。

本文反駁了AI導致大規模失業的觀點，認為這基於“勞動總量謬誤”。歷史經驗表明，自動化帶來的生產力提升總是擴大經濟並創造新就業。當前數據顯示AI更多是增強而非替代人類工作，新角色正在湧現。

雲知聲發佈山海知醫慧保大模型，深度融合億級臨牀數據，賦能醫保監管與商保風控，推動醫療保障體系數智化轉型。

波士頓動力發佈新版Atlas人形機器人demo，展示高難度體操動作，但量產能力堪憂，月產僅4台。同時，IPO前夕高管集體出走，CEO退休，CTO加入Google DeepMind，現代汽車對其耐心逐漸耗盡。

本文提出了一個基於Azure AI的多智能體架構框架，用於自動化公共部門的身份驗證和福利資格認定。該框架通過OCR、驗證和資格判定等專門AI代理，實現快速數字化驗證、自動化資格評估和可審計決策。它解決了傳統手動流程的規模限制、錯誤和欺詐風險，並針對SNAP和Medicaid等政府項目的時間要求進行了優化。

歐洲領先的AI翻譯初創公司DeepL與亞馬遜雲服務（AWS）合作，引發業界對數據主權和硅谷壟斷的擔憂。行業人士警告，此類合作可能削弱歐洲的競爭優勢。

Anthropic在其第二屆年度開發者大會上宣佈與SpaceX/xAI達成重大計算合作伙伴關係，獲得Colossus 1的全部容量，估計每年價值50億美元。交易後立即生效：Claude Code的5小時速率限制翻倍，Pro和Max用户的高峯時段限制取消，Opus API速率限制大幅提升。此外，Anthropic推出了Claude Managed Agents的新功能，包括記憶/“夢境”和結果/評分。Dario Amodei強調使用量增長了80倍，導致計算短缺，而此次交易是首次重大應對措施。

StackSense 是一個面向 AI、數據和系統工程師的知識圖譜工具，幫助梳理技術棧和知識關聯。

Zyphra AI發佈了ZAYA1-8B，一款僅有7.6億活躍參數的小型混合專家（MoE）語言模型，但在數學和編程基準測試中擊敗了多個體量更大的開源模型。該模型採用MoE++架構，包含壓縮卷積注意力（CCA）、MLP路由器和PID控制器偏置平衡等創新，並引入了馬爾可夫遞歸自聚合（Markovian RSA）測試時計算方法，在HMMT'25上超越Claude 4.5 Sonnet，逼近DeepSeek-V3.2。模型完全在AMD Instinct MI300硬件上訓練，並以Apache 2.0許可發佈。

五家主要出版商和一位暢銷書作者對Meta及其創始人馬克·扎克伯格提起集體訴訟，指控該公司在訓練生成式AI平台Llama時，使用了數百萬本非法盜版的書籍和文章，侵犯了版權。

高盛兩份報告揭示AI基礎設施投入巨大但回報率低，企業因害怕錯過（FOMO）而非理性投資持續加碼，英偉達成為主要受益者。

Blink是一個AI搜索引擎，能夠提供帶來源的搜索結果。

隨着AI推理成為核心工作負載，傳統TCO指標如每美元FLOPS已不適用。英偉達提出每Token成本才是衡量AI基礎設施經濟效益的關鍵指標，並展示了Blackwell平台相比Hopper在Token產出和成本上的巨大優勢。

本文提出一種觸覺增強的兩階段方法，結合模仿學習和強化學習，用於高精度裝配中的緊密公差插入任務。第一階段通過模仿學習學習抓取並接近目標區域的策略；第二階段通過強化學習執行插入並在接觸交互中實現故障恢復。通過引入觸覺組採樣和觸覺評論家，提升了插入性能並保持低接觸力。在0.05毫米的最嚴苛間隙下，成功率達67%，最大接觸力降低60%，扭矩降低44%。

ReflectDrive-2是一種掩碼離散擴散規劃器，用於自動駕駛，將軌跡表示為離散令牌，通過並行掩碼解碼生成。它引入AutoEdit實現原地軌跡修正，並採用兩階段訓練：結構感知擾動監督學習與強化學習微調。全展開RL顯著提升編-修耦合性能，在NAVSIM上達到91.0 PDMS（僅相機輸入），延遲31.8毫秒。

研究人員提出一種主動接觸感知方法，通過機器人施加信息收集運動並感知人體施加的力來推斷接觸狀態，從而實現魯棒的機器人向人類物體交接。該方法使用貝葉斯線性模型區分牢固抓握和偶然觸碰，在實驗中達到97.5%的成功率，遠超兩種常見基線方法。

一種新的多階段全身模型預測控制方法用於雙足行走，在近端使用詳細模型，在遠端使用簡化模型，降低計算複雜度同時保持性能，並在仿真中於HyPer-2機器人上驗證。

研究人員開發了一種貝葉斯框架，用於驗證合成預碰撞場景在實際評估駕駛自動化系統安全性方面的等效性。該方法使用基於分箱的統計量來比較數據集，克服了傳統顯著性檢驗的侷限性。一項關於追尾碰撞的案例研究證明了其有效性。

HDFlow是一種新穎的分層規劃框架，結合了擴散模型和整流流模型的優勢。高層擴散規劃器在潛在空間中生成戰略性子目標，低層整流流規劃器利用常微分方程生成平滑密集的軌跡。在四項傢俱組裝任務和多個長時域基準測試中，HDFlow顯著優於現有方法。該論文已被ICML 2026接收為Spotlight。

針對低推力交會中燃料最優控制的敏感性問題，本文提出一種緊密耦合的估計與引導架構，通過導航置信度動態調節同倫參數，結合多調諧因子（MTF）卡爾曼濾波，顯著降低終端脱靶量至亞米級，同時保持計算效率。

研究人員提出了一種腹腔鏡持鏡機器人控制方法，將位置、力/扭矩和圖像等多模態術中信號統一為等效力旋量表示，並通過任務優先級方案實現合規操作和自主器械跟蹤，同時保持遠程運動中心約束。在手術模型和活豬實驗中驗證了有效性。

本文提出了一種條件潛在流匹配方法，用於可擴展且逼真的安全關鍵場景生成。該方法通過分佈匹配將標稱場景轉換為安全關鍵滾動，並結合仿真與真實數據生成多樣化的數據驅動場景。實驗表明，該方法能更一致且逼真地生成新穎的安全關鍵場景，為自動駕駛系統訓練和基準測試提供有力工具。

本文提出了一種將人類提供的安全規則與操作員語義偏好集成到自主機器人導航中的架構，通過將自然語言規則轉換為信號時序邏輯（STL）規範，並利用視覺語言模型（VLM）進行零樣本場景理解，實現非結構化户外環境中的安全導航。

針對現有多模態大語言模型在多子圖多步推理上的不足，研究人員提出HierVA框架，通過分層結構和聯合圖像-文本工作上下文管理，結合縮放工具限制視覺上下文，在CharXiv推理子集上取得顯著改進。

本文提出自適應置信閾值選擇方法，優化自動駕駛多任務分類，並引入IUST-XAI-AD數據集（958張帶人工標註的圖像），用於跨文化可解釋性評估。

本文介紹了一個包含約34,700張高分辨率圖像的數據集，記錄了11根Dyneema SK75/78 HMPE繩索在循環疲勞下的完整退化過程。繩索在60 kN至280 kN的七個軸向載荷下測試至失效，疲勞壽命從695次循環到8340次循環不等。每固定次數的滑輪循環後，沿繩索不同橫截面位置拍攝十張圖像，標註了循環次數，可直接計算剩餘使用壽命。該數據集旨在支持RUL迴歸、損傷進展建模、異常檢測和負載條件預測等機器學習任務，為視覺監測和預測算法提供基準。

研究人員提出了一種物理引導的混合模式解混（PGRU）方法，該方法通過從可觀測的物理特徵中估計每個像素的標量，僅在必要時激活非線性混合，從而克服了線性混合模型在多散射情況下的侷限性。實驗表明，該方法在多個數據集上優於基線方法，物理一致性超過0.90。