BrandLM是一款由Claude Mythos在一天內構建的AI可見性審計工具，可分析ChatGPT、Claude等AI平臺對品牌的提及情況。

一項新研究表明，儘管87%的數字工作者在工作中使用AI，但只有13%的組織績效顯著提升。員工平均每週花費6.4小時進行“機器人保姆”工作——包括檢查、除錯和清理AI輸出。更有69%的AI使用者承認曾“機器人糊弄”，即在未完全審查的情況下交付AI生成的工作。報告強調，領先的組織正在構建AI的“人力基礎設施”，從個體、團隊和組織三個層面應對這一挑戰。

Z.ai 於 2026 年 6 月 13 日釋出了 GLM-5.2，這是其旗艦編碼模型系列的最新版本。主要特性包括 100 萬 token 的上下文視窗（約為 GLM-5.1 的 5 倍）、131,072 個輸出 token 以及兩種思考深度級別（High 和 Max）。該模型可無縫整合到 Claude Code、Cline 和 OpenClaw 等工具中，作為一個即插即用的替代方案。值得注意的是，Z.ai 在釋出時未公佈任何基準測試分數，但承諾將在下週釋出 MIT 開源權重。

一個平臺，讓你在等待Claude Code完成任務時獲得報酬。

免費AI簡歷生成器，無需註冊，幫助求職者快速建立專業、ATS友好的簡歷。支援從零開始或上傳現有簡歷，AI增強每項描述，一鍵匯出PDF或Word。

Applora是一款免費工具，利用AI分析Shopify應用商店中的低評分評論，自動提取商家痛點，並生成按構建難度排序的問題叢集和解決方案簡報，幫助開發者發現基於真實證據的市場缺口。

AI正在降低客戶服務成本，但也可能加速組織風險。斯坦福大學的研究顯示，通用AI聊天機器人在法律查詢中的幻覺率高達58%-82%。當AI無法解決問題時，品牌淨推薦值可能驟降70點。本文探討了企業如何在部署生成式AI時保持組織準備度，包括信任門檻、確定性AI基礎以及升級設計等關鍵洞察。

AgentBridge是一個開源的Python專案，充當不同AI代理協議之間的翻譯和治理網格。它支援MCP、A2A、ACP等多種協議，提供身份驗證、預算控制、審計追蹤和策略引擎。目前是工作原型，已有6個協議和150多個測試透過。

一個影片展示了Fugee，這是一款旨在幫助流離失所者和尋求庇護者適應新環境的AI助手。

加州上訴法院維持了對一家南加州律師事務所律師的6000美元制裁，原因是他們提交的摘要中存在生成式AI錯誤，初審法官稱這是“我擔任法官以來見過的律師 misconduct 最嚴重的例子”。

一篇引人深思的文章探討了使用AI完成學校作業是否構成作弊的問題，深入分析了教育系統的雙重目標——擇優篩選與形成性發展，並考察了學生在高壓競爭環境中求助於AI的原因。

MiMo Code是一款具有顯式長期記憶架構的編碼代理，旨在提升開發效率。

研究者提出一種可靠性感知的擴散規劃器，透過蒸餾視覺-語言模型生成場景級可靠性熱圖，引導無人機在3D導航中避免不可靠區域（如玻璃、鏡子），將障礙違規率從40.3%降至9.6%，平均可靠性從0.588提升至0.925。

AnyGoal是一種無需訓練的多機器人導航架構，利用視覺語言模型（VLM）驅動邊界探索，透過共享的2D高斯貝葉斯價值圖（BVM）協調智慧體，在GOAT-Bench上達到52.4%子任務成功率，比Modular GOAT提升27.5個百分點。

ContactWorld基準測試覆蓋12項接觸豐富的操作任務，發現空間結構化且時間連續的表示（如點雲）能顯著提升規劃成功率至32.1%。觸覺感測的有效性取決於跨模態表示相容性，結合點雲與觸覺力場表示可達最佳效能36.1%。觸覺在長週期規劃中愈發重要。

研究發現，在單GPU上微調視覺-語言-動作模型（VLA-JEPA）時，存在“種子彩票”問題：相同程式碼不同隨機種子導致一個種子模型效能從91-94%驟降至65.2%，且無任何警告。原因在於輸出坍塌——動作預測器輸出幾乎與輸入無關。傳統權重級正則化（如L2、EWC）無法檢測此問題，而輸出級正則化（VICReg、Dropout、半學習率）可完全消除災難性種子。最簡單方法是修改最佳化器配置中的一個數字。

本文提出了一種基於核表示的高效領域自適應策略學習演算法。透過可微分的隨機傅立葉特徵核近似建模未知擾動，離線訓練僅需50秒即可最佳化控制策略，線上部署時透過最小二乘估計即時更新核引數，實現非平穩環境下的快速適應。在Crazyflie四旋翼上的模擬和硬體實驗驗證了該方法在複雜氣動效應、風擾、地面效應和載荷變化下的有效性。

這篇綜述論文探討了自動駕駛從單一車輛智慧向多智慧體具身系統的轉變，重點介紹了共享世界模型（SWMs）作為跨車輛的預測性表示。文章回顧了超過380篇出版物，涵蓋V2X通訊、協作感知、智慧體間認知、協同規劃、端到端協同駕駛以及閉環驗證的模擬引擎。研究發現當前評估集中在模擬和離線協議，基於基礎模型的協調缺乏即時安全保證，並提出了可驗證的共享狀態維護、魯棒的意圖與計劃對齊以及安全協調行動等關鍵研究優先方向。

FlowMo-WM 是一種端到端可訓練的視覺世界模型，專為機器人學習設計，能夠從影像和動作歷史中推斷物體中心的運動狀態以及與隱藏漂移相關的長曆史上下文，無需流場直接監督。透過將歷史分解為短歷史潛在狀態和長曆史上下文，並採用零上下文殘差過渡，該模型在模擬的水面車輛環境中顯著提升了長時程預測的準確性。

本文介紹μ₀，一種基於3D軌跡的可擴充套件世界模型，透過預測物體、工具、手等互動點的平滑3D軌跡，避免了畫素重建和動作標籤依賴。該系統利用TraceExtract自動從影片中提取3D監督訊號，結合視覺-語言骨幹網路和軌跡專家模組進行預訓練。實驗表明，μ₀在2D和3D軌跡預測上優於基線方法，且凍結後的μ₀可與動作專家結合用於下游機器人任務，效能媲美使用動作監督的VLA模型。

一種基於被動分散式聲波導的觸覺感測新正規化，利用深亞波長聲波導實現靈敏度、魯棒性與柔韌性的兼得，在宏觀彎曲下保持聲傳輸不變，透過稀疏麥克風陣列實現即時定位與波形重建。

本文提出一種基於佔據感知的層次化3D場景圖（3DSG）流程，透過將房間節點錨定到從佔據分解中提取的自由空間區域，為每個房間提供明確的凸多邊形足跡。該方法在12個Matterport3D場景上評估，與現有方法相比能恢復更多房間例項，但精度較低，且牆面精確的房間邊界仍是開放問題。

Avatar V是一種生產級框架，透過影片參考條件身份建模，生成不僅視覺相似而且行為可識別的虛擬形象影片。它引入稀疏參考注意力、運動表示流和身份感知超解析度，使用超過1億訓練片段和五階段訓練流程，實現1080p無限時長影片生成，在跨場景基準測試中優於Seedance 2.0、Kling O3 Pro等系統。

視覺語言模型可在無影像時正確回答影像問題，虛增基準分數。研究將其分為文本偏見和虛假影像兩類，並提出幻象探針框架和PHI指數區分它們。

針對生成式影片推理中單次生成的瓶頸，研究者提出時間回溯搜尋（TBS），透過在時間軸上迭代生成-驗證-重啟迴圈，顯著提升了影片模型在測試時的推理能力。實驗表明，TBS在演算法、導航和機器人領域均優於同等預算的最佳N取樣，尤其在分佈外場景下，成功率從0.7%提升至22.7%。

本文針對遠端光電容積描記法（rPPG）Transformer模型的可解釋性不足，提出了一套定量化評估工具。作者將四種歸因方法適配到RhythmFormer的雙層路由注意力機制，引入了皮膚覆蓋度指標，並將忠實度係數從分類任務擴充套件到rPPG迴歸。實驗發現稀疏top-k路由下的多跳洩漏效應，而Beyond Intuition方法透過值投影加權和梯度掩碼有效緩解，在UBFC-rPPG資料集上取得最高皮膚覆蓋度（0.83）和忠實度（F=0.92）。研究推動了rPPG XAI向可審計的數值證據發展。

研究提出了i2L（影像到LoRA）框架，將風格LoRA訓練攤銷為單次前向傳播，無需針對每種風格單獨最佳化。透過影像編碼器、可學習LoRA查詢和壓縮解碼頭預測LoRA權重，在Z-Image、FLUX.2和Hidream-O1上提升了風格保真度、提示對齊和感知質量。

CineOrchestra是一種統一的影片擴散模型，能夠同時控制主體、事件、攝像機和鏡頭切換，透過實體中心條件原語和兩種無引數的有序旋轉嵌入實現。在兩項新基準測試中，它優於六種單軸專業模型。

本文提出了一種改進卷積神經網路（CNN）的新方法：在濾波器對之間引入可學習的連線引數。傳統的CNN依賴於逐點啟用函式，而該方法允許網路在不同層實現不同的連線，從而更好地適應任務。實驗表明，這種可學習的連線提高了模型準確性。

IoU是目標檢測中衡量候選框與真實框匹配程度的關鍵指標，但存在不敏感區域，導致不同幾何重疊的樣本獲得相似IoU分數。本文提出一組形態相似度度量（面積、形狀、長寬比），透過均值聚合輔助匹配分數，重塑響應分佈，提升正樣本分配精度。基於YOLOv9的實驗在NEUDET和GC10-DET資料集上取得一致效能提升，且無需額外推理開銷。