作者在Open AI構建週期間利用Codex和MacBook Air開發了一款名為Zodku的贈款規劃應用。儘管最初認為沒有團隊無法開發百萬美元應用，但作者通宵使用Codex實現了這一目標。文章分享了開發過程中的挑戰、成果和未來計劃。

Anthropic 釋出了 Claude 安全外掛的測試版，該外掛可在 Claude Code 會話中執行多智慧體漏洞掃描，並將選定的發現轉化為補丁檔案供使用者審查和應用。外掛支援全倉庫掃描或提交前檢查，採用六階段多智慧體工作流，發現經過三投票人對抗性驗證後才進入報告。補丁在獨立克隆中生成並驗證，不會自動應用。

OpenCode Superapp將Codex的強大能力與本地自託管模型和語音控制相結合。

Poolside AI 釋出新模型 Laguna S 2.1，號稱以更低成本超越同類產品，同時 AI 社群關注安全事件和地緣政治緊張局勢。

Poolside AI聯合CEO Eiso Kant與主持人深入探討了其團隊如何以不到70人的研究團隊，在八週內訓練出擊敗近十倍規模模型的Laguna S，並分享了開源策略、模型工廠工程系統、以及從程式碼模型到AGI的十年探索之路。

本文透過三個關鍵時刻（首 token 延遲、高峰併發、工具呼叫）對比了 Highflame、Bifrost 和 LiteLLM 三種 AI 閘道器的效能。Highflame 在各項測試中表現最佳，幾乎不增加延遲，能處理高併發，且記憶體佔用低。Bifrost 因緩衝導致首 token 延遲，LiteLLM 在高負載下效能急劇下降。文章還提到了 MCP 工具呼叫場景下 Highflame 的優勢。

Guardian是VaultSort 4.4.0的新功能，可在Mac上本地掃描敏感檔案，如身份證件、財務記錄、憑證和醫療檔案，無需任何網路呼叫。它提供只讀的記憶體報告，並與Encrypt整合，實現一鍵加密。所有處理均在裝置上完成，確保資料永不離開你的機器。

曼徹斯特大學和杜倫大學的研究發現，AI聊天機器人在日常情感支援方面可以匹配甚至超越人類，尤其是在憤怒和恐懼情境中。研究強調，提供具體、可操作的建議是有效支援的關鍵，無論來自人類還是AI。

BeamWire 提供個性化的、無廣告的每日新聞簡報，以電子郵件和播客形式傳送，包含事實核查、偏見檢測和可定製主題。它提供多種新聞和專題“光束”（Beams），涵蓋不同興趣，並配有AI主播和語調定製。價格從免費開始。

Python 包索引（PyPI）現已實施新安全措施：拒絕向超過14天的舊版本上傳新檔案。此舉旨在防止因釋出令牌或工作流洩露導致的供應鏈攻擊。

Orphograph 為 AI 代理的每個關鍵操作生成錨定到比特幣區塊鏈的收據，確保記錄的存在時間不可篡改，且無需信任操作者即可驗證。

Searchdesk是一款AI求職助手，它能自動搜尋真實職位、基於事實定製申請材料，並讓使用者在私人工作區中掌控每一個機會。所有草稿均由使用者稽核，不會自動提交申請。目前處於Alpha階段，歡迎反饋。

亞馬遜確認正在其通用人工智慧（AGI）部門裁減部分員工，這是該公司在持續削減崗位的同時大力投資AI基礎設施的最新舉措。公司未透露具體裁員人數或受影響部門，但表示正在聚焦對客戶最重要的領域。AGI部門負責開發Nova模型，幷包括矽片和量子計算團隊。

本文提出EgoRecovery框架，利用人類第一人稱影片資料訓練機器人故障恢復策略，比傳統遙操作效率高10倍以上，透過協同訓練對齊人類與機器人糾正意圖，僅需少量機器人演示即可實現可靠恢復。

研究人員提出了一種名為Morphing MILR的線驅動無肢機器人，它透過滾動關節重新配置身體形態和柔順性，實現了側向波動、側繞、滾動和扭轉等多種運動模式。該機器人利用分散式線驅動和可程式設計被動柔順性，無需複雜感測即可實現穩健的接觸豐富運動。潛在應用包括搜尋救援、環境監測和檢查。

研究人員提出了一種名為“接觸持續全驅動”的控制理論框架，用於評估無人機在物理接觸過程中的操作能力。該框架透過殘差權柄集和殘差許可權邊界等概念，超越了傳統的全驅動機器人僅透過矩陣秩判據的認證方式。數值實驗表明，對於傾斜六旋翼無人機，僅滿足滿秩條件並不能保證接觸操作的可行性，而適當的傾斜角度能保留殘差許可權。

NavVerse 是一個新的物理模擬基準，用於評估需要在室內外無縫導航的機器人。它包含 100 個室內場景、50 個室外場景和 50 個室內外過渡場景，共 10,000 個任務片段，涵蓋三種導航任務。零樣本實驗表明，當前最先進的智慧體仍難以應對跨上下文導航，尤其是從室外到室內外場景的適應。

本文提出一種去中心化的、抗欺騙的軌跡規劃框架，用於應對小型無人機系統在遠端ID（RID）位置欺騙攻擊下的執行。該框架將RID資訊視為未驗證，並透過物理層觀測（如接收訊號強度）檢測欺騙並機率定位欺騙源，將不確定性轉化為機會約束下的風險有界不安全區域，整合到基於馬爾可夫決策過程的規劃器中。模擬表明，與信任RID資料的規劃器相比，該方法減少了近碰撞事件，同時保持即時計算效率。

儘管通用機器人操作取得進展，現實世界中多物體雜亂環境仍具挑戰。LENS作為一種即插即用的解決方案，利用大語言模型自動生成場景特定的簡化抽象表示，透過合併或修剪實體來適應任務進展，從而提升各種操作方法的效能。

提出一種基於學習來自觸覺（LfH）的框架，透過稀疏演示學習使用者偏好的安全乾預策略，採用可微控制屏障函式（CBF）最佳化層自動調整安全引數，實驗表明能有效減少觸覺反饋與使用者偏好的不匹配。

盲人和低視力人群依賴導盲犬進行即時導航，但傳統導盲犬成本高、等待時間長、壽命短。米洛（Milo）是一種基於Unitree Go2機器人的開源、低成本（約2000美元）的全自主機器人導盲犬平臺，無需預先環境掃描，可室內外導航並避障，經測試導航更平滑且碰撞更少。

本研究探索在真實冬季駕駛條件下，漂移何時可能成為安全最優選擇。團隊提出一種具備漂移能力的非線性模型預測控制（MPC）系統，基於碰撞致死資料設計場景，並在高保真模擬器中測試。控制器能在後輪遇到冰面時自然啟動並維持漂移以保持道路，或避開滑入車道的對向車輛。與基準電子穩定控制（ESC）系統對比顯示，漂移控制器可在危險冬季駕駛場景中透過穩定性與可控性的權衡實現精確操控。蒙特卡洛研究進一步表明，該控制器在多個速度下實現更低的車道誤差中位數，且漂移主要在高速度時湧現。

現有遙作業系統通常針對特定的機器人硬體和任務領域定製，限制了可擴充套件性和適應性。ModPack提出了一種模組化、可擴充套件的遙作業系統，透過整合計算、電源、通訊和儲存的可穿戴“背包”作為核心，支援即插即用功能模組，包括帶觸覺反饋的關節級遙操作、移動操作和主動感知。在兩個不同機器人平臺上的實驗表明，ModPack為資料收集和策略學習提供了靈活且可複用的框架，並已開源全部硬體和軟體設計。

提出一種基於稀疏畫素級監督的統一變分框架用於影像分割，採用單純形約束的Potts模型和平滑周長正則化子，得到凸且平滑的能量泛函，可用於弱監督深度學習訓練損失或迭代最佳化。在RKHS中透過函式擴充套件構建模糊隸屬函式處理稀疏標籤，實驗表明優於基線和部分交叉熵方法。

該研究指出，跨資料集泛化是超聲心動圖左心室分割臨床部署的主要障礙。透過六個資料集的分析，發現幾何感知預處理能顯著改善域偏移，表明偏移主要源於視野和框架不一致，而非聲學差異。強度歸一化影響甚微。使用特定表示的距離度量可高精度預測分割效能下降。

該研究引入病理學家注意力來訓練報告生成模型，透過收集121例攝護腺全切片影像的多模態注意力資料集，最佳化模型注意力對齊，提升了報告生成和視覺問答的效能。

本文提出了一種輕量級語義分割網路EGRNet，透過深度可分離卷積、擴張殘差塊和新型邊緣門控細化（EGR）模組，在僅0.46M引數下實現Cityscapes資料集上65.28%的mIoU，並引入輕量級對抗攻擊檢測策略，適用於邊緣裝置上的即時應用。

VQ-Transplant提出了一種輕量級框架，能夠將新的向量量化模組無縫整合到凍結的預訓練分詞器中，無需昂貴的端到端重訓練。透過在ImageNet-1k上僅訓練5個epoch的輕量級解碼器適配策略，該方法解決了量化不匹配問題，在VAR等工業級模型上實現了接近最先進的重建保真度，同時訓練成本降低95%。這降低了量化研究門檻，使資源受限環境中的研究者也能探索前沿技術。

本文提出ChronoStitch，一種無需訓練的方法，用於組合獨立儲存的視覺鍵值（KV）記憶，以解決長影片問答中的時域推理問題。該方法透過將儲存的旋轉後鍵重新對映到全域性多模態RoPE座標系，並選擇性重計算部分高偏差視覺令牌，克服了樸素拼接導致的時間相位衝突和內容缺失。實驗表明，在Qwen2.5-VL-3B和TempCompass時域分割上，ChronoStitch在事件順序準確性上優於樸素組合和僅位置變體，且速度比完整聯合預填充快3.3倍。

該研究評估了使用合成和派生影像提升YOLOv8n垃圾檢測器效能的效果。真實資料集包含148張校園照片，實驗發現所有合成增強方案均未超過僅使用真實影像的基線模型（[email protected]為0.691）。手部複合實驗因測試集汙染而重建，校正後效果不顯著。研究強調測試集規模小限制了結論的可靠性。