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。

小米機器人團隊提出Xiaomi-Robotics-1，一個基礎視覺-語言-動作（VLA）模型，能夠遵循多樣語言指令在未見環境中執行移動操作任務，並透過少量微調資料高效適應新任務。模型採用兩階段訓練：預訓練階段利用超過10萬小時的真實操作軌跡（透過UMI裝置收集）賦予模型廣泛的動作生成能力，並開發了可擴充套件的自動標註流水線；後訓練階段對齊機器人本體和人類指令。實驗證明模型具有強擴充套件性，在RoboCasa365上達到57.6%的成功率，在RoboDojo上取得20.07的平均分，均超越先前最佳水平。程式碼和模型將開源。

跨視角地理定位將地面觀測與衛星影像匹配。最新方法利用影片片段等序列查詢獲得更豐富的時空線索，但忽略了路線描述這一互補模態。本文提出SeqGeo-VL資料集（約3.9萬影片-文本-衛星三元組）和TrajLoc統一框架，同時處理影片和路線描述，透過密集視覺與抽象語言語義相互增強。還提出TrajMod輕量模組，根據軌跡幾何條件化查詢嵌入，實現空間感知表示。實驗表明TrajLoc在影片和文本地理定位上顯著超越現有方法。

一項研究評估了在乳腺篩查AI中引入異常豐富的活檢確認病例的效果，發現混合資料集會導致效能下降，因為資料集特定特徵產生了域偏移，抵消了額外陽性病例的益處。

研究表明，CNN難以有效提取方向特徵。使用包含緊湊方向特徵和置信度的復結構張量作為CNN輸入，相比灰度影像輸入，持續提高了識別準確率。實驗還表明，由小型復卷積網路提供的輸入結合縮減的CNN尺寸，優於全尺寸的主流CNN架構。這表明在CNN中預先使用方向特徵（哺乳動物視覺中採用的策略）不僅緩解了CNN的侷限性，還增強了其可解釋性和對輕量級裝置的適用性。實驗在公開眼周影像資料集（Cross-Eyed和PolyU）上使用六種CNN架構進行閉集和開集場景下的生物識別和驗證，結果顯示等錯誤率降低了5-26%。

GS-RealBlur是一種新穎的資料採集框架，能夠以靈活的方式獲取真實模糊-清晰影像對，用於訓練影像去模糊模型。它使用手持相機拍攝模糊影像，用雲臺密集拍攝清晰影像，重建3D場景表示，並透過模糊感知姿態精化模組最佳化相機姿態。基於GS-RealBlur資料集訓練的模型在多個基準測試中均優於現有合成和真實資料集訓練的模型。

老年人跌倒是重大安全挑戰，但持續監控困難。本文提出隱私保護框架，用無監督關鍵點和預測時序建模替代RGB傳輸，在本地處理分割和關鍵點提取，透過變分遞迴預測和序列分類檢測跌倒。在UR Fall Detection和Human Fall資料集上評估，無監督關鍵點在遮擋和部分可見性下顯著優於監督方法，頻寬約束下差距擴大。

使用部分資訊分解（PID）框架在訓練前選擇最優的MRI對比度組合，以降低多對比度3D MRI腦腫瘤分割的計算成本。研究選取T1c+T2-FLAIR作為最佳輸入對，在輕量級3D U-Nets上表現接近全輸入配置，平均Dice 0.676 vs 0.687，驗證了PID的實際價值。

多模態大語言模型（MLLMs）能夠從自然語言查詢中定位整個物體，但在查詢指定部件而非物體時表現不佳。本文提出物體-部件層次化反射式定位（OP-HRG），一種由粗到細的推理引導定位策略：先定位父物體，再鎖定其中的部件。自檢步驟會反思結果，並擴充套件為重新編碼預測裁剪區域以檢查糾正的區域。我們引入部件感知的GRPO框架，透過階段獎勵訓練該流程。一個4B模型經此訓練後，在PascalPart、PartImageNet和InstructPart上優於7B定位LLMs和SAM3，並遷移至推理分割。