Catenary 是一款面向 AI 程式設計代理的空間畫布 IDE，將程式碼與 AI 工作流視覺化地組織在無限畫布上。產品目前透過 Product Hunt 釋出並設有討論區。

AI 服務暫時不可用，以下為來源摘要，待恢復後補全翻譯：We choose embedding models, dimensions, and indexes. The geometry usually comes with the package. But why use a flat space, and what else could we choose? What Is a Manifold, and Where Do Our Vectors Live? A manifold is the space our embeddings live in. For embeddings, we care about the geometry we give that space. It determines how we measure distance, what the shortest path looks like, and how much room there is as we move outward.

1Password的工程師使用OpenAI的Codex快速構建新功能和內部工具，在保持嚴格安全策略的同時達到生產就緒狀態。

OpenAI 正在擴充套件面向新聞業的支援計劃，透過提供工具、培訓和合作關係，覆蓋學生、教師、記者及新聞機構，幫助其在工作中應用人工智慧。

llm 0.35 命令列工具釋出，新增對 OpenAI GPT-6 Astra 模型的支援，使用者可直接透過終端使用該模型。

OpenAI首席科學家雅各布·帕霍茨基發表文章，呼籲AI行業在形成共同安全標準前放慢發展速度，並警告日益自主的系統可能透過談判、欺騙或勒索追求自身目標。該呼籲正值OpenAI推出一系列自主代理安全事故之後，引發業界不同反應。

企業透過建立關鍵基礎，能夠建立有效的AI工作流程，從而推動有意義的成果。

Latent Space 首次釋出 Astra 專案“前沿 AEO 追蹤器”，用 6 種提示變體在 161 個類別中測試 7 個前沿模型，量化 AI 產品推薦。結果顯示模型存在系統偏見、也有 GPT 推薦 Claude 等“無偏”反例，並發現 Opus→Fable、Sol→Astra 兩代之間的選擇反轉和搜尋行為差異。

AI 服務暫時不可用，以下為來源摘要，待恢復後補全翻譯：Discussion | Link

Tables.so 是一款藉助 AI 自動發現、篩選並豐富潛在客戶資料的工具，幫助銷售與增長團隊高效找到下一位客戶。目前已在 Product Hunt 上釋出，並開放討論與連結訪問。

英國衛生創新部長詹姆斯·弗裡思警告，出於對美國科技公司Palantir的不信任，患者可能更不願與NHS分享資料；最新資料顯示，數萬名患者已退出讓研究專案使用其資料。

AI 服務暫時不可用，以下為來源摘要，待恢復後補全翻譯：Discussion | Link

AI 服務暫時不可用，以下為來源摘要，待恢復後補全翻譯：Discussion | Link

Knockin' 是一款將靜態個人簡介轉化為智慧 AI 名片的工具，讓訪客可以直接和名片對話並獲得自動回覆。它目前已在 Product Hunt 上開放討論和產品連結。

商界領袖表示，專業設計師不應因生成式AI的快速發展而感到威脅。儘管業內對失業存在擔憂，但企業更可能把AI當作“辦公室裡的實習生”，用於增強設計師的工作，而非取代他們。

這篇被《IEEE Transactions on Field Robotics》接收的實地報告，以Terra 3DSG為案例，在五個戶外機器人資料集上分析了三維場景圖（3DSG）在複雜環境中的表現。研究引入新的一致性評估指標，發現VLM點嵌入中離群值和多重語義模式普遍存在，約30%的點離群率超過0.1；基於導航的物體檢索成功率接近70%，但平均路徑效率約66%；區域級理解仍困難，平均F1約0.359。同時，多公里軌跡的地圖可控制在600MB以下，保持相對一致且緊湊的大規模環境表示。

這篇論文提出持續現場自適應模型（CFAMs），讓機器人在部署後也能利用裝置上的無梯度更新自主持續學習。CFAM採用凍結的慢速學習元件與快速學習的膠囊場；在機械臂、四足機器人、人形機器人、四旋翼和越野車上，僅用40%的完整訓練資料（2.5倍更少的軌跡）就達到標準策略的效能；自主獲取已驗證的近分佈外樣本可將動作成功率提高13.9個百分點，學習新技能時原有能力幾乎不受影響。

該研究提出SocioGesture，一個用於人機互動的即時自適應社交手勢感知系統。它利用置信度感知的身體-手部骨架表示和輕量雙流模型，在機器人端側裝置上低延遲識別邀請、拒絕等社交手勢。透過遮擋感知的骨架擾動訓練提升魯棒性，並可在部署中儲存不確定片段以離線擴充手勢詞彙，為互動機器人的社交感知提供了一條實用路徑。

這篇論文重新審視了基於取樣的運動規劃演算法的漸近近最優性證明。作者指出，許多規劃器聲稱的漸近δ-相似性依賴於一個未明說的假設：一旦取樣到與最優軌跡足夠接近的段，就一定會將其保留在樹中。這一假設在一般情況下並不成立，論文描述了一種稱為“擠出”的問題場景：區域性低成本的路徑會導致與最優軌跡δ-相似的軌跡無法加入搜尋樹。儘管如此，論文證明只要恰當處理“擠出”效應，即使沒有δ-相似解軌跡的保證，仍可實現漸近近最優性，並給出了一個具體環境和系統示例。

本文介紹AquaBEV，一種單目水下佔用預測模型，僅使用單個水下RGB影像預測區域性鳥瞰圖（BEV）佔用，並在訓練時利用3D成像聲納作為幾何監督。該模型採用無標定極座標表示和沿距離維度的因果解碼，在受控基準上以31.4 Visible IoU和38.6 Observed IoU實現最強遷移基線之上的4.0%和4.3%相對提升。

一篇新近提交至 arXiv 的論文提出 Conductor 邊緣計算方案，將網聯自動駕駛汽車（CAV）與路側單元（RSU）的資訊融合為固定錨點視角下的統一世界模型，並預測車輛軌跡。為滿足嚴格的資訊時效（AoI）預算，Conductor 透過遮擋感知選擇器與執行時控制器動態篩選參與融合的車輛，在保障融合質量的同時滿足即時約束。模擬表明，在最多 31 輛 CAV 的交通場景中，該方法可達到 AoI 安全邊界，融合保真度接近 Oracle 並顯著優於隨機選擇。

預訓練視覺-語言-動作（VLA）模型在通用操作上表現出色，但在高精度和可重複性要求高的任務中仍不可靠。VLA-Precision 提出 ACoB 演算法與 ACoB-Stream 架構：前者透過早期干預引導、全域性回報傳播和區域性偏好排序抑制策略漂移；後者透過不變狀態解耦和按需流式處理大幅提升吞吐量。在四類機器人實體、九項高精度化學任務中平均成功率 98.3%，每項任務平均訓練 45.8 分鐘，執行速度分別達到 VLA 與 RL 基線的 1.2 倍和 1.8 倍。

視覺-語言-動作（VLA）模型在長時程機器人操作中仍可能不可預測地失敗，現有檢測方法常因軌跡級標籤的監督錯配而失效。FailureSpot提出一種標籤高效的框架，先利用無標註動作塊生成弱監督訊號，再透過主動學習挑選最不確定的軌跡進行時間戳級標註，從而在降低標註成本的同時提升故障檢測精度。

研究提出以短時的物體中心掃描為輸入，用3D高斯潑濺（3DGS）重建形狀原型，再與凍結的DINOv2影像特徵融合，從而在沒有CAD模型和標註訓練集的情況下完成物體識別。實驗表明幾何資訊可替代CAD且具備互補價值：在HOPE資料集上幾何單模型高達0.920，遠超純影像0.832；在T-LESS上融合提升至0.591；渲染影像本身沒有額外幫助。

視覺地點識別（VPR）常受光照、天氣、季節和動態遮擋等域偏移影響，同一地點在訓練資料中的外觀多樣性不足是主要原因之一。論文提出AdaptVPR，利用視覺語言模型分析場景屬性與編輯可行性，由規則排程器選擇全域性外觀、區域性遮擋或雙路徑三種生成路線，構造同地困難正樣本，並透過幾何一致性與外觀多樣性驗證降低結構漂移。所構建的AdaptCities包含16萬個驗證過的合成同地困難正樣本，多個VPR基準與視覺基礎骨幹實驗顯示最高可提升R@1達9.2%。

這項研究提出一種受生物學啟發的框架，利用影片中的運動邊界和光流生成偽例項掩碼，訓練單影像編碼器學習物件中心表徵，無需人工標註或相機標定。實驗在7,163小時影片上擴充套件到4.21億幀，並在深度估計、3D目標檢測、3D佔用預測和端到端規劃等任務上達到或超過基線。

研究人員提出 CARNIVAL，一種基於模擬資料訓練的蛋白質註釋模型。它利用冷凍電鏡斷層掃描（cryo-ET）前向模型引入的成像退化，為同一場景生成成對的增強檢視，並在 LeJEPA 自監督框架中完成不變數學習；同時藉助模擬流程提供的蛋白質位置與類別等特權資訊設計模型結構與損失函式。在真實斷層影像的分類與檢測基準上，CARNIVAL 無需微調即優於使用對比學習目標訓練、但未使用前向模型配對檢視或特權資訊的現有模型。

該論文提出一種面向影片生成模型的單階段聯合最佳化框架DM-Align，將人類偏好對齊與蒸餾統一到分佈匹配中，透過互補的偏好引導梯度避免傳統強化學習的高計算開銷，實驗表明其能同時提升蒸餾質量與偏好對齊效果。

這項工作提出反思感知 GRPO（RA-GRPO），一種將“反向反思”引入前向生成的強化學習偏好對齊框架，用於擴散影像和影片生成。它透過擴散反轉修正中間取樣軌跡，並藉助反事實路徑合成將這些修正隱式蒸餾進策略，從而緩解獎勵駭客、提升泛化能力，且不需要改變模型架構或帶來推理開銷。

視覺語言模型在高風險場景中可能對特定使用者不安全。本文提出MPS-Bench（12個高風險領域、5181個場景）並發現八個前沿VLM幾乎總是直接作答（86-99%），個性化安全得分最高僅2.6/5。機制分析表明視覺資訊在融合早期壓制文本風險訊號，導致後期內部修正失效；提出的PRISM以0.978 AUC預測需要延遲迴答的查詢，並在各模型上優於安全-效用帕累託前沿。