中國領先的人工智慧公司Moonshot和阿里巴巴釋出了新模型，聲稱能以更低成本與OpenAI和Anthropic的最佳模型競爭。這些開放原始碼的釋出加劇了中美技術競賽，並質疑美國鉅額投入是否能維持優勢。

AgentDuel是一個確定性回合制競技場，AI代理根據提交的TypeScript策略進行對戰。每個戰鬥都會生成回放，方便檢查每個決策。

空客宣佈將約900個應用從AWS遷移到法國雲服務商Scaleway，以加強數字主權。此舉反映了美國資料保護不可靠的擔憂，但供應鏈管理和AI領域仍面臨挑戰。

OpenAI分享了部署長期執行AI模型的經驗，強調了新的安全風險、觀察到的失敗，以及透過迭代部署改進的安全措施。

美國公共衛生部門將透過PULSE計劃測試生成式AI工具，涉及OpenAI、Anthropic和埃森哲。該計劃將在10個州、地方、部落或地區開展試點，旨在為公共衛生機構的AI部署提供指導。OpenAI和Anthropic捐贈了10個企業許可證，可供2000名從業者使用。試點將涵蓋五個用例，包括生物監測、健康的社會決定因素、公共溝通、自動化臨床資料檢索等。計劃於2026年秋季啟動，2027年釋出實施手冊。

團隊在使用AI工具時出現配置漂移問題，傳統方法如維基頁面、模板倉庫或同步指令碼均效果不佳。解決方案是採用版本化的基線包，透過harness.json清單宣告確切版本，再利用工具擴充套件配置，確保可審計、可追蹤。

月之暗面釋出Kimi K3，一個擁有2.8萬億引數的開放權重模型，採用混合專家架構、量化訓練和Delta注意力機制，以記憶體池化策略應對美國晶片限制。儘管引數龐大，但模型透過降低計算需求來適配受限硬體，實際部署仍需資料中心級基礎設施，且軟體生態尚未完全就緒。

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

該公司旨在開發AI軟體，縮短晶片製造商供應鏈中的研究時間並減少稀有金屬的使用。

文章指出，到2026年，AI基礎設施的主要限制將從GPU供應轉向電網容量。預計到2027年，40%的AI資料中心將受到電力限制，新電網連線的審批時間長達24-36個月。文章詳細分析了電力需求、推理驅動電力曲線，並提出了效率提升、排程和地理分佈等策略，同時推廣Spheron的分散式GPU網路作為解決方案。

月之暗面AI釋出Kimi K3，在Frontend Code Arena基準測試中奪冠，引發美國AI監管辯論。儘管在前端編碼方面表現強勁，但整體仍落後於Claude Fable 5。該釋出加劇了AI監管和開源模型的政策爭論，對NVIDIA和Anthropic等股票產生影響。

AI透明度是記錄人工智慧系統的資料、模型行為和決策過程的實踐，與可解釋性（解釋單個預測）和可理解性（描述內部邏輯）不同。歐盟AI法案對高風險和通用AI系統提出了透明度要求，將其與法律合規直接掛鉤。本文探討了透明度的重要性、關鍵元件（如模型卡、資料表、審計日誌）、治理結構、供應商管理以及面向使用者的披露要求。

一項新研究評估了三種LLM水印方法（KGW、Unigram、SynthID-Text）的取證可靠性，發現它們都無法滿足法庭證據標準。在846次釋義攻擊中，KGW和Unigram水印被100%移除，SynthID移除率達98.3%。此外，三種方法的假陰性率高達70-83%，且SynthID將5.4%的人類寫作文本誤判為AI生成。研究者提出了取證準備性評分（FRS）框架，但結論是這些水印配置不能提供法庭可接受的證據。

2026年AI程式設計訂閱計劃採用不同的計費模式，如固定月費、每幾小時或每週重新整理配額等。本文比較了MiniMax、小米MiMo、GLM、Kimi Code和Canopy Wave五種計劃的定價、限制、整合和最佳用例，幫助開發者根據工作流選擇最合適的方案。

Thinking Machines Lab 釋出了其首個通用開放權重基礎模型 Inkling。該模型擁有 9750 億引數（其中 410 億啟用）、100 萬 token 上下文視窗，採用多模態稀疏 MoE 架構，支援文本、影像和音訊處理。Inkling 以可定製的開源模型形態，面向多模態推理、智慧體、程式設計、工具使用及企業微調場景。本文詳解其架構、訓練、基準測試、部署及微調工作流。

提供免費的紐約市LL144和歐盟AI法案合規資源，包括指南、罰金計算器、AEDT範圍檢查器等工具。涵蓋執行時間線、處罰案例、審計要求及關鍵合規義務。

智慧體AI是一種能夠自主規劃、決策和採取行動以實現特定目標的人工智慧系統，代表了從簡單回應查詢到主動執行任務的重大轉變。本文探討了其定義、發展動力、常見應用、挑戰以及基礎設施的重要性。

Zlvox AI Humanizer 是一款免費且無限使用的線上工具，利用 Groq Llama 3.3 將 AI 生成的文本轉化為自然的人類語言，能夠繞過 GPTZero、Turnitin 等檢測器。它提供多種人性化級別、寫作風格調整、語法修復、改寫和摘要功能，支援 ChatGPT、Claude 等所有主流 AI 模型的輸出，且無需註冊。

Meta監督委員會的一項新研究發現，主流AI系統更傾向於拒絕批評專制領導人，可能成為宣傳工具。研究指出，AI模型不僅反映訓練資料偏見，還可能延伸國家審查到全球範圍。

Inkling是一個開放權重的975B引數多模態模型，專為微調最佳化，為AI研究和應用提供了強大的基礎。

專家警告，觀鳥平臺上AI增強照片增多，製造虛假目擊記錄，威脅科學家使用的公民科學資料的可信度。

在災難檢查、搜尋救援等關鍵任務中，通訊受限的機器人必須依賴機載決策。低成本的記憶重用可能因環境變化而變得不安全（稱為“記憶陷阱”）。本文提出MemoGuard，一種輕量級自適應執行時，在重用前根據拓撲、資源和結果契約驗證記憶，僅當驗證失敗時才呼叫回退推理。在走廊巡檢模擬器中，與單純相似性重用相比，電池安全違規減少76.6%，回退呼叫次數比始終使用推理減少21.4%。在NVIDIA Jetson AGX Xavier上使用本地llama3.2:3b回退推理時，每次試驗節省3.67秒和36.97焦耳。

本文提出一種基於模型的解耦策略，利用嵌入在軟體拱形段中的流體壓力感測器同時實現本體感覺和接觸檢測。每個段有六個氣道，透過分段常曲率模型和Huber迴歸處理過定系統，實現形狀估計和外力接觸檢測。在單段測試中，相對彎曲誤差為0.11±0.02，接觸檢測率達97%。八個段整合為Air-Helix肌腱驅動軟體機械臂，展示了觸覺示教、導納控制和物體重建等應用。

本文提出PACE框架，透過對話引導動態生成個性化、心理上合理的機器人身份，並在Ameca人形機器人上實現。實驗表明，相比靜態基線，動態個性顯著提升使用者信任、擬人化感知和互動質量。

本文針對受動力學約束的系統，提出了多目標運動規劃的統一框架。基於穩定稀疏RRT（SST）演算法，透過將每個鄰域的單一代表節點替換為一組區域性帕累托最優節點，衍生出三種演算法：lexSST（字典序最佳化）、coSST（約束最佳化）和poSST（帕累託前沿逼近）。論文提供了完備性和最優性的理論保證，並透過實驗驗證了效果。

本文提出透過最佳化物理環境佈局來提高共享自主系統中目標推斷的可靠性，並給出機率正確性保證。實驗表明，最佳化佈局能顯著減少歧義，提升推斷準確率。

人類對不確定結果的評估存在風險敏感性，而傳統獎勵學習使用期望效用（EU）模型卻忽略了這一點。本文提出基於累積前景理論（CPT）的偏好學習方法，在社交機器人導航實驗中，對於風險敏感使用者的偏好，CPT方法比EU方法顯著降低了遺憾值，強調了建模人類風險敏感性的重要性。

本文介紹了一種觸覺反應式夾爪，整合了視覺-觸覺主動手掌（VTAP）和帶觸覺陣列感測器的柔性可重構手指。透過結構化的手指-手掌協同和多模態感知，實現了魯棒抓取和精細操作。還提出了一種分階段、手勢條件重定向框架用於靈巧遙操作。實驗驗證了在多種挑戰性任務中的高效能，為基於學習的靈巧抓取設計提供了實用參考架構。

本文提出了一套基於雙組分矽膠澆注鑄造的軟氣動致動器穩健製造流程，解決了內部腔體堵塞和氣密性問題，並開發了薄膜柔性感測器的嵌入方法。透過有限元分析、PID壓力控制實驗以及自動影像處理校準，驗證了致動器效能。階梯波和正弦波驅動實驗表明其具有高重複性和低滯後，且經過兩位操作者24次成功製造驗證，為軟體機器人的規模化應用提供了可靠基礎。

NeuroCommitSSM是一種以決策為中心的框架，用於輔助機器人操作中的安全承諾執行控制。它透過同步腦電圖（EEG）、肌電圖（EMG）和眼動追蹤（ET）預測連續的承諾就緒度分數，並利用滯回濾波轉換為離散承諾事件。三狀態有限狀態機HOLD-ASSIST-COMMIT（HAC）在啟動運動前要求同時滿足神經模型持續承諾就緒訊號和即時感知及機器人狀態可行性。在32名受試者、五項日常生活活動任務中，NeuroCommitSSM達到0.950的動作平衡準確率，每1000個REST視窗僅0.75次誤承諾事件，並在感測器缺失下保持低誤承諾和穩定狀態轉換。硬體在環驗證顯示可行性檢查執行減少了誤啟動和決策不穩定。