思科釋出了AI技能掃描器，這是一個針對AI代理技能的安全工具，能夠檢測提示注入、資料洩露和惡意程式碼模式。它結合了靜態分析、LLM評估、行為資料流分析等多種引擎，並提供CI/CD整合和預提交鉤子。

Nashra是一個整合郵件通訊、部落格和落地頁的平臺，藉助AI功能幫助創作者將粉絲轉化為客戶。目前正在Product Hunt釋出。

本文認為，AI智慧體正在成為產品的主要介面，超越傳統使用者介面。探討了從最小可行產品到“潦草成品”的演變，對Snowflake和Databricks等資料平臺的影響，以及Hopsworks作為資料層為智慧體提供基礎設施的策略。

OpenAI正緊急修復Codex程式設計助手的日誌記錄問題。該問題導致固態硬碟（SSD）被大量非必要資料寫入，預估每年可寫入約640TB資料，遠超一般SSD的壽命設計，對使用者造成數百萬美元的經濟損失。

OpenAI與博通聯合釋出Jalapeño晶片，專為大語言模型推理設計，旨在提升效能、效率和擴充套件性。

2026年6月23日的AI新聞綜述顯示，AI正從軟體代理向物理世界跨越。Anthropic用Claude Opus 4.7教會四足機器人行走，速度比人類團隊快37倍；Nvidia釋出空間推理框架；特斯拉推進模組化資料中心；Sakana AI推出Fugu協調多模型。同時，控制和安全成為新競爭前沿，但認知債務風險值得關注。

Ruby是一款AI工具，能在通話中即時提供最佳追問，幫助使用者抓住關鍵資訊。適用於使用者訪談、銷售電話和投資者會議。

VoltanaLLM提出了一種基於反饋的頻率控制器和狀態空間路由器，用於預填/解碼分離的LLM服務架構，在保持延遲SLO的同時實現高達36.3%的能耗節省。該工作在多個LLM和NVIDIA A100 GPU上進行了評估。

Swimio結合AI教練、高階Apple Watch游泳追蹤和個性化訓練生成，專為游泳者打造。提供即時追蹤、資料分析及效能洞察。

日本AI初創公司Sakana聲稱其Fugu模型在基準測試中表現優於Fable 5、Gemini 3.1 Pro和GPT-5.5等主要競爭對手。Fugu透過策略性地選擇使用其他前沿AI模型（如Claude和Gemini）來提升效能，但不會告知使用者具體使用哪個模型。該公司表示，Fugu將隨著時間推移整合更新的、更高效的模型。

Fork.ai 是一個分支式AI研究空間，您可以提問並得到分節答案，深入探索，高亮並分支，每個分支成為思維導圖上的節點。

印度一家服裝廠的工人被管理人員要求在上班前將小型攝像機綁在額頭上，起初覺得好笑，但後來感到擔憂。沒有人解釋原因，工人擔心這是為訓練AI取代他們做準備。

darktable 5.6 首次引入AI功能，包括AI物體蒙版（點選生成向量路徑）和神經修復模組（基於ML的降噪與放大）。所有模型在本地CPU或GPU執行，無需雲端處理，並遵循可選、本地、可擴充套件等原則。本文詳細介紹各工具的使用方法、效果與侷限性。

該專案是一個社群建立的開源網路安全技能庫，包含817個生產級技能，覆蓋29個安全領域，並對映到六個行業框架（MITRE ATT&CK v19.1、NIST CSF 2.0等）。AI代理可以利用這些技能執行威脅檢測、數字取證等複雜任務，獲得高階分析師的決策能力。

NavWM是一個統一的導航世界模型，它無縫整合了潛在世界推理、多模態動作預測和可控視覺生成。透過引入錨點基礎的多模態軌跡預測框架，模型能夠生成多樣化的動作空間，並利用視覺預見性進行魯棒閉環規劃。實驗證明，NavWM在高質量未來狀態生成和零樣本導航成功率上均取得了顯著提升。

提出DynaWM框架，透過世界模型正則化和動量目標編碼器增強雙輪足機器人在連續樓梯上的地形適應性和運動平滑性，在模擬和真實硬體上驗證了有效性。

本文提出MinInter方法，透過選擇需要最少插值的示範軌跡來生成更高質量的合成資料，從而提升模仿學習的效能。在MimicGen基準的12個任務上，MinInter顯著提高了資料生成成功率和策略成功率，尤其在接觸密集、長週期和高方差場景中表現突出。

SPACE框架提出使用笛卡爾狀態增量作為通用動作表示，結合狀態預測與自適應命令執行，解決不同機器人因動力學差異導致的行為克隆訓練和部署問題。實驗表明，該方法在跨形態、跨硬體單元及執行中動力學變化下均顯著優於直接預測控制指令的策略。

TurboMPC是一種完全在GPU上執行的可微分MPC求解器，支援多種約束和隱式積分器。透過SQP、ADMM和隱式微分等技術的結合，在模擬和實際車輛測試中分別比CPU和GPU求解器快15倍和58倍，且能擴充套件至超過8000個規劃節點。

本文介紹了將模擬到現實效能估計與賭博（來自Chen等人）和安全隨時有效推斷（來自Ramdas等人）相結合的方法。該方法利用縮放模擬器，為均值估計產生高效可靠的證書，在機器人效能測試中尤其有價值。

本文提出TOLD框架，一種即時邊級自適應方法，透過線上更新互動拓撲權重來最小化編隊畸變，相比傳統節點級控制器顯著提升魯棒性。理論分析和模擬實驗驗證了其有效性，在Crazyflie 2.0四旋翼上實現了超過62%的畸變降低。

強化學習可以訓練雙靈巧手在物理模擬中高精度地彈奏鋼琴，但高自由度手的任務獎勵或逆運動學方法常導致不自然的姿態和關節過度伸展。本文提出對抗姿勢正則化（APR），利用少量隨意的人類彈奏資料，透過對抗目標使策略的姿勢分佈與人類先驗匹配，從而產生更像人類的手形。同時，使用消費級Meta Quest 3收集併發布非結構化手部運動資料，並將其重定向到Shadow Hand。在cPSI、BSE和FAC三人性化指標及視覺質量上均顯著優於先前方法。

本文報道了2024年6月10日至14日舉行的洛倫茲中心研討會“工程化可靠自主系統”(ERAS)的成果。研討會聚焦於自主系統的驗證與確認技術、實際工程應用以及安全軟體架構，形成了一份挑戰目錄和解決方案路線圖。部分挑戰可透過現有學術方法解決，但未在工業界廣泛應用；其他挑戰仍需進一步研究。

本文提出FEARL框架，透過將策略分解為大型控制器和小型安全模組，實現了對機器人控制基礎模型的形式化驗證，在保持感知與推理能力的同時，使安全關鍵屬性可被現有工具驗證。在模擬和實體機器人上的實驗證明了該方法的有效性。

隨著生成式AI的發展，影像偽造變得高度逼真，亟需可信的認證系統。現有的取證檢測器缺乏可解釋性，而視覺語言模型（VLM）雖能提供解釋，但無法利用取證痕跡進行可靠檢測。本文提出取證知識圖譜（FKG），將取證證據提取、結構化推理和可解釋解釋統一起來。FKG結構編碼取證痕跡及其因果依賴關係，並連結到場景內容。為生成準確的FKG，我們引入了一種新的取證認證網路和迭代上下文細化策略，引導VLM生成忠實、有依據的解釋。我們還發布了FKG-50K資料集，包含50,000個具有真實FKG的逼真偽造影像。實驗表明，FKG在檢測、偽造識別與定位以及取證論證方面均優於現有檢測器和VLM。

研究人員提出TheProfessor，這是PromptKD的多教師擴充套件，用於蒸餾視覺語言模型。使用領域微調教師和零樣本教師的整合，基於置信度的整合方法將平均調和準確率從87.52提升至89.28，在域遷移資料集如EuroSAT上提升顯著。

REALM 提供了首個針對物理世界視覺語言模型的統一紅隊測試基準，整合了12種攻擊方法、3種防禦措施和13個模型，以公平比較漏洞。關鍵發現包括文本和排版注入攻擊最有效，且模型規模本身不提升魯棒性。

一種名為HeRA的新方法在個體注意力頭級別上對齊多模態大語言模型的表示，提升了效能並減少了幻覺。

視覺語言模型（VLM）在面對否定表述時表現脆弱，易受誤導性文本干擾。HANCLIP透過雙曲幾何和角度三元組目標，在保持預訓練表示全域性結構的同時增強否定敏感性，僅用2萬影像-文本四元組訓練，即可提升NegBench基準效能。

ABACUS是一個統一的視覺語言模型，能夠在無基準特定訓練的情況下處理物體計數、人群計數、指代表達計數以及計數忠實影像生成。它基於3B引數統一基礎模型構建，透過三項關鍵創新適配於物體定位任務：密度感知自適應縮放與目標圖用於空間定位；基於GRPO的邊界感知計數策略消除裁剪邊界誤差；以及迴圈一致GRPO策略，理解分支自我批評生成輸出，無需外部標註即可彌合理解與生成之間的差距。ABACUS在七個基準上均達到最先進水平，超越了任務特定專家和更大的通用模型。