Agent-workpace-Linux 是一個開源專案，可為 AI 代理提供一個隔離的、隱藏的 Linux 桌面環境，代理可透過 MCP 協議完全控制該桌面，而不會影響使用者真實的桌面、滑鼠、鍵盤或瀏覽器。它支援 Xvfb 顯示、視窗管理、應用啟動、截圖、剪貼簿操作以及獨立的瀏覽器自動化，並提供了可選的許可權邊界和即時監控功能。

LWN的文章討論了AI爬蟲機器人的問題，指出這些自動程式對網站內容造成侵權，並探討了應對措施。

本週AI頭條：馬斯克對OpenAI的1500億美元訴訟被駁回；Google I/O 2026釋出多項AI更新，包括Gemini 3.5 Flash和Gemini Spark；OpenAI的AI解決了一個80年曆史的數學問題；美國《Take It Down Act》生效，要求平臺48小時內刪除深度偽造內容；SpaceX IPO後計劃以600億美元收購AI編碼初創公司Cursor。

Crew44 是一款本地優先的開源工具，可將多個 AI 程式設計智慧體（如 Claude Code、Codex、Gemini、Cursor）組織成協同工作的專業團隊。無需賬戶、免費、MIT 許可，支援記憶與技能積累。

EAGLE團隊、vLLM團隊和TorchSpec團隊聯合釋出了EAGLE 3.1，旨在解決生產環境中推測解碼的不穩定性。該演算法透過FC歸一化和歸一化後隱藏狀態反饋兩大架構改進，有效應對注意力漂移問題。在長上下文任務中，EAGLE 3.1的接受長度比EAGLE 3提升高達2倍；在Kimi K2.6模型上的基準測試顯示，併發數為1時每使用者輸出吞吐量提升2.03倍。EAGLE 3.1完全向後相容，已合併至vLLM主線，並將隨v0.22.0版本釋出。

儘管AI對白領工作的威脅日益引起恐慌，但資料顯示AI尚未對勞動力市場產生大規模影響。實際上，AI高暴露職業的失業率反而低於低暴露職業。然而，斯坦福大學的一項研究發現，AI可能正在悄悄削弱初級職位，年輕工作者在AI暴露職業中的就業率大幅下降。本文還涵蓋了教皇呼籲監管AI、SpaceX發射、華為晶片突破等其他技術新聞。

Mirdel是一款本地優先的桌面AI工作空間，將對話、知識庫、筆記、翻譯、影像和影片處理、本地模型及可擴充套件工作流整合到一個長期執行的環境中。它注重資料隱私和使用者控制，支援多種雲模型和本地模型，並透過Applet、Skill和MCP協議實現工作流的模組化和複用。

瞭解OpenAI、Thrive和Crete如何使用Codex構建自改進稅務代理，實現申報自動化、提高準確性並加速工作流程。

本文探討了在AI寫作氾濫的時代，如何有意識地選擇使用AI，避免認知投降，並保持人類思考能力。透過教育領域的實驗對比，文章指出使用AI代替思考會損害學習，而作為輔導工具則能提升效果。作者呼籲個人和社會在預設機制形成前，主動決定哪些任務保留給人類。

OpenAI聘請了一位曾在Salesforce從事營銷工作13年的高管，負責公關事務。

本文引用了凱爾·費拉納的一條推文，用《星際迷航》的比喻說明AI系統中的“謹慎”策略。在技術領域，僅僅有防禦措施是不夠的，必須真正執行才能避免嚴重失敗。

本文探討了如何透過遊戲化機制（如打卡、徽章、排行榜）利用行為心理學來提高AI程式設計工具的採用率。分析了習慣迴圈、損失厭惡、社會比較理論、內在動機與外在動機的平衡，以及流體驗的設計原則，並警告了Goodhart定律可能導致的作弊問題。提供了實現持久參與的設計建議。

新加坡國立大學、MIT和A*STAR的研究人員提出MEMO，這是一種模組化框架，將語料庫知識編碼到一個可單獨訓練的記憶模型中，使大型語言模型能夠無需重新訓練或微調即可吸收新知識。

只需一段提示詞，OpenAI員工Vaibhav分享的Codex自我蒸餾法引發熱議。

AI模型在原始智慧方面似乎已達到平臺期，下一階段的進步來自於圍繞模型構建的“代理馬具”。本文介紹了代理馬具的概念，包括工具、記憶和人類參與，並比較了Google、LangChain、OpenAI、Anthropic等公司的解決方案。

一篇新論文首次大規模評估了使用大型語言模型（LLM）生成形式化證明來解決開放數學問題的能力。最先進的智慧體以每個問題幾百美元的成本，自主解決了353個開放Erdős問題中的9個，並驗證了492個OEIS猜想中的44個，目前已部署在組合學、最佳化、圖論、代數幾何和量子光學等多個領域。研究表明AI輔助形式化證明搜尋在數學研究中具有巨大潛力。

一些股東團體越來越擔心人工智慧不受約束髮展帶來的責任風險，並推動企業採取更嚴格的監管措施。Vancity投資管理公司要求Alphabet更好地防止AI聊天機器人傳播錯誤資訊，而其他投資者則希望Shopify制定負責任AI使用政策。兩家公司均建議股東反對這些提案。

Mr. Guy Invests 是一款面向初學者的免費股票研究與投資組合追蹤工具，利用SEC公開資料追蹤對沖基金和內幕交易，提供AI股票導師、虛擬交易挑戰、每日市場簡報等功能。免費版有每日使用限制，Pro版每月4.99美元可解鎖無限功能。

AI晶片需求爆漲推動SK海力士和美光市值突破萬億美元，三星也躋身其中，但市場對AI泡沫的擔憂加劇。

提出隨機解耦策略梯度（SDPG）方法，一種輕量級視覺強化學習技術，可在單塊NVIDIA RTX 4080 GPU上數小時內端到端訓練多種視覺運動控制策略。SDPG透過軌跡rollout的隨機擾動估計策略梯度，大幅減少批次渲染環境的數量以及計算和記憶體開銷。在視覺MuJoCo基準測試中，SDPG在訓練時間、記憶體使用和獎勵方面一致優於基線方法。此外，引入了涵蓋靈巧操作和挑戰性運動的全新真實感視覺機器人基準測試，並在物理硬體上展示了有效的模擬到現實遷移。

針對動態城市物流中時間敏感任務隨機出現導致的異構自主空中飛行器（AAV）任務分配最佳化難題，本文提出一種強化學習增強的重疊聯盟形成博弈方法。該方法建立動態任務分配模型，以耦合服務質量與資源消耗的廣義物流成本量化全域性最優性；並設計基於Transformer的軟演員-評論家網路，利用多頭自注意力機制處理可變長度物流狀態、捕捉任務間時空依賴，從而自適應引導聯盟更新，取代傳統啟發式規則。理論證明聯盟形成過程構成精確勢博弈，確保有限次迭代收斂到納什穩定均衡。在32架AAV與80個任務的場景下，相比啟發式重疊聯盟形成基線，成本降低39.76%；室內飛行實驗進一步驗證了實用性。

本文提出一種魯棒Koopman-CBF SAC框架，透過資料驅動的Koopman預測器構建升維空間中的仿射CBF約束，並利用二次規劃安全層強制執行，同時考慮近似誤差的魯棒性調整。在CartPole任務中實現零違規，但在高維任務中暴露了一階速度障礙和線性EDMD模型的侷限性。

本文提出R2P2分散式方法，透過規則分配推、支撐、阻止角色，並採用比例速度控制，實現多機器人協作推動箱體在不同傾斜度和摩擦力的地表（平坦、上坡、下坡）上運輸。該方法減少了通訊與同步需求，避免單點故障。在NVIDIA IsaacSim模擬中，六機器人團隊驗證了其在不同地表和箱體質量下的泛化能力，成功率優於傳統虛擬領導者-跟隨者方法。實際實驗中，四臺Turtlebot成功移動了1.2千克的箱體。

遙操作在機器人資料採集中至關重要，但新手操作員常產生雖任務成功但次優的示範。本文提出資料質量評估與反饋（DQAF）框架，透過即時反饋提升示範質量。

RCSP是一種預測性規劃層，透過評估候選命令在短期障礙物未來中的風險來避免機器人的近失承諾問題。在MuJoCo、ROS2/Gazebo和DynaBARN/Jackal模擬中，RCSP提高了安全性和路徑質量，但增加了延遲，揭示了其作為現有導航堆疊補充模組的邊界。

NightSight提出了一種輕量級感知方法，結合單目事件相機、編碼孔徑鏡頭和紅外點陣投影器，使小型飛行器能夠在完全黑暗的環境中自主導航。系統透過編碼孔徑產生深度相關的模糊特徵，並用卷積神經網路解碼為密集深度圖，僅使用合成資料訓練即可零樣本泛化到真實場景。在NVIDIA Jetson Orin Nano上以20Hz即時執行，2.5米範圍內誤差僅7.0釐米（2.80%）。

提出了一種新框架，使異構機器人能夠在頻寬受限下協作導航，透過β-稀疏高斯過程選擇地圖點並平衡探索與任務相關性，模擬顯示路徑成本降低18%，資訊傳輸減少76%。

本文提出PhyPush，一種物理引導的Transformer框架，僅透過單次推動的末端執行器速度即可估計物體的質量和摩擦係數，無需力/扭矩感測器。實驗表明，在模擬和真實環境中，該方法相比基線具有更低的誤差和更好的泛化能力。

本文提出信念感知GSAC（BA-GSAC），透過整合不一致性動態調節蒸餾係數λ，系統研究了自適應引導在部分可觀測自動駕駛中的有效性。實驗發現，在輕度至中度部分可觀測條件下自適應引導有益，但在嚴重遮擋下自適應係數快速退化，原因是整合模型僅基於部分觀測預測，無法感知缺失資訊。改進方案是使用全狀態預測訓練整合模型。研究表明，簡單的線性衰減排程在嚴重POMDP下表現最佳，穩定性收益主要來自排程策略而非自適應機制。

這項研究在視網膜眼底多病種影像資料集（RFMiD）上對12種架構（包括卷積神經網路、視覺Transformer、混合模型和視覺語言模型）進行了基準測試，比較它們在二元篩查和多標籤分類中的效能。結果表明，所有模型在二元篩查中表現良好（AUC>84%），但基於注意力的模型（如SwinTiny、CoAtNet0、MaxViTTiny）在二元和多標籤任務中均最優。視覺語言模型與CNN基線相當，但未超越最佳Transformer和混合模型。在Messidor-2上的外部驗證中，AUC範圍為66.8%-84.7%，混合和Transformer模型表現強勁。