歐盟官員對AI公司Anthropic派出初級員工出席關於AI安全的聽證會表示不滿，認為該公司不重視歐洲。

您的可教AI實習生，用於日常瀏覽器工作。

這篇文章批判了“AI只是工具，如何使用才重要”這一常見說法，指出工具並非中立，它們塑造社會、環境與人性。作者以汽車、椅子為例，說明工具的設計本身帶有政治性。AI作為工具尤為危險，因為它消除了人類應有的掙扎與痛苦，導致批判性思維喪失。文章呼籲重新審視技術設計，關注工具對人類的深層影響。

一項關於AI牙膏推薦的調查，完成即可獲取個性化免費產品推薦。

這是一個由Suhas Bhairav建立的包含50多個開源Next.js AI模板和入門套件的精選集合，涵蓋聊天機器人、RAG、語音代理、影像生成等多種AI應用。

Paul Graham認為，人工智慧的最大優勢之一是讓公司在跨越約10人和150人的門檻前保持更高效率。本文探討AI如何使團隊重組成為可能：從多人協作轉向一人加AI的模式。Anthropic推出的Claude Tag允許AI加入Slack團隊，但Slack和Cursor等工具仍基於傳統團隊協作理念。文章指出，軟體開發中團隊效率低下，AI可能催生獨自工作的開發者。此外，資料顯示個體創業者增長迅速，AI正填補能力缺口，減少僱傭需求。

一款基於Tauri v2 + React + Rust構建的輕量級桌面AI助手，具有始終置頂模式、安全金鑰儲存、本地SQLite資料庫和多提供商支援（Gemini、OpenAI、Anthropic、Groq、本地Ollama或自定義端點）。開源免費，支援Windows、Mac和Linux。

荷蘭皇家海軍正在引領無人系統的應用，以將人員遠離危險區域。他們在登海爾德海岸進行為期五週的試驗，測試無人艇Defender 1和Defender 2的效能。

一種新的最小單圈時間規劃框架，融合了對狀態擾動和引數不確定性的魯棒性，透過模型預測控制器在模擬FSAE賽車上驗證了其有效性。

本文提出利用氣壓計輔助進行姿態估計，透過氣壓高度測量提供垂直運動補充資訊，增強非線性觀測器在SE(3)上的效能。設計了兩種觀測器：確定性Riccati觀測器與互補濾波器級聯，保證幾乎全域性漸近穩定；以及統一框架下基於SO(3)×R2的非線性觀測器，保證區域性指數穩定。模擬和實際飛行資料驗證了該方法在最小感知配置下的有效性和可靠性。

WANDA是一種從單個演示生成合成資料的引擎，用於訓練開放世界移動操作策略。它透過重建背景和互動軌跡、重新排列配置、應用糾正狀態擴充套件以及在不同3D世界中合成軌跡，實現了長程魯棒性、空間泛化和跨環境泛化，並支援跨具身資料生成。

本文提出了一種名為HRO的層級房間到物體框架，利用大型語言模型（LLM）實現零樣本目標導航。與現有方法不同，HRO模仿人類從房間到物體的層級空間認知，引導智慧體由粗到細地探索未知環境並定位目標物體。實驗結果表明，HRO在Gibson和HM3D資料集上取得了更高的成功率和更好的泛化能力。

提出一種基於ROS-Unity的多模態遙操作架構，利用3D高斯潑濺技術生成無遮擋的外部視角，並透過軀幹振動觸覺套裝提供直觀的接近提示。在30名受試者參與的實驗中，該框架在嚴重通訊延遲下表現出顯著的效能優勢，fNIRS結果顯示其能維持操作者的執行控制能力，避免認知負荷過載。

研究人員提出了一個層次貝葉斯生成模型，將恐怖谷效應轉化為數學設計變數。該模型透過四類變數（偏離預測機器人類別均值、跨模態人類相似性不一致、預測不確定性、觀測不確定性）解釋類別模糊和感知不匹配導致的親和力下降。實驗表明，增加觀測不確定性可減弱中間相似度下的熟悉度下降，而低預測不確定性則提升機器人外觀的評分。該框架為演算法評估和最佳化人形機器人外觀與行為提供了計算基礎。

隨著觸覺介面在可穿戴裝置和日常環境中的普及，對柔軟、輕薄、靜音且節能的執行器需求日益增長。高壓靜電執行器（HVEA）透過高壓和超低電流產生電場力，提供了一種快速、安靜、低功耗的替代方案。本文綜述了四類主要HVEA：靜電可切換粘合劑、介電彈性體執行器、軟電液執行器和電動泵，分析了它們的觸覺輸出機制、頻寬、力密度和可擴充套件性，並討論了人體工程學改進、製造簡化和自感知整合等設計挑戰與未來研究方向。

HRIBench 是一個專注於人機互動協作的基準測試框架，透過結構化場景指令碼模擬代理角色、時間依賴和協調約束，評估機器人在協作中的意圖理解、同步、協議遵守和安全互動能力。實驗表明，現有基礎機器人策略在協作場景中表現不佳，但在 HRIBench 上微調後可顯著提升。

本文報道了一項關於環境監測中自主無人機覆蓋最大化路徑規劃的系統性文獻綜述。該綜述遵循PRISMA 2020框架，檢索了Scopus和Web of Science中2015年至2026年的研究，重點關注路徑規劃、覆蓋路徑規劃和資訊路徑規劃。初步分析顯示，現有研究集中於覆蓋導向、多無人機協調和能量感知最佳化，而對天氣、不確定性和障礙環境的關注較少，且多數研究依賴模擬驗證。

提出一種魯棒的偏振感知可微分路徑追蹤方法，透過路徑重放與區域性快取實現無偏梯度估計，有效處理偏振運算元的秩虧問題，拓展了逆向渲染在複雜場景中的應用。

本文提出了AffectFlow-DINO，一種用於第11屆ABAW挑戰賽的多工學習系統。它透過條件整流流頭部模型來模擬自然場景下面部行為的固有歧義，實現不確定性感知的一對多預測。系統聯合估計連續效價-喚醒度、分類八種面部表情並檢測十二個動作單元。實驗表明，整流流解碼持續改進確定性預測，後驗閾值校準有效恢復罕見類別的效能，最終模型顯著超越官方基線。

本文提出JITOMA框架，透過即時按需記憶啟用解決傳統3D場景圖構建中的感知飽和問題。該框架利用任務熱圖過濾觀測、大型語言模型按需喚醒相關錨點，顯著降低計算開銷，並在長時域任務切換中保持穩定效能。同時釋出JITOMA-Bench評估基準。

提出了一種結合主動學習和雙損失最佳化的人機協同知識獲取框架，用於腹腔鏡影片中的器械分割標註。該方法利用基礎模型生成時序一致的類啟用圖，透過弱監督損失和影像級掩膜損失訓練，迭代提出偽掩膜引導專家修正。最終將標註工作量減少50%，無需初始密集畫素標註，提升可擴充套件性。

靜態深度偽造檢測器在真實場景中效能急劇下降（AUC降幅達45-50%），因其訓練一次後無法應對不斷進化的生成技術。BitMind Forensics (BMF) 透過Bittensor SN34的開放對抗競賽持續更新訓練資料，在19個公開資料集上展現出優異效能，包括對真實世界擾動（如JPEG壓縮、下采樣）的魯棒性，以及在時間推移中持續提升的檢測能力。

一項新研究系統比較了自監督學習中的兩種訓練正規化：預訓練後微調（PFT）和聯合訓練（JT），發現JT在資料效率和低標籤設定下表現更優，而PFT在專門領域更可靠。

MGFace是一種創新的掩碼門控人臉識別管道，透過預測查詢人臉是否佩戴面罩，有條件地路由相似度計算：對未遮擋人臉使用全域性嵌入匹配，對戴口罩人臉啟用掩碼感知的區域性區域重排序。該方法在擴充套件LFW-Mask資料集上，利用FaceNet骨幹網路達到80%以上識別準確率，使用ArcFace骨幹網路超過90%，相比基於EMD的重排序方法，查詢時間減少約20倍。

提出了一種基於Transformer掩碼自編碼器的無監督鋼表面缺陷識別方法。在預訓練中隨機掩碼75%的影像塊，輕量級解碼器從可見的25%重構掩碼區域，並聯合訓練輔助缺陷定位目標。解碼器達到SSIM 0.92、MSE 0.47，聚類後對六類缺陷的匈牙利匹配準確率達91.3%。

Boogu-Image-0.1是一個開源統一多模態理解與生成模型家族，包含Base、Turbo、Edit和Edit-Turbo變體。它在高品質文本到影像生成、快速推理、基於指令的編輯以及雙語文本渲染方面表現出色。儘管計算預算有限，但透過模型理解、資料質量和訓練流程的針對性改進以及推理時擴充套件，其效能可媲美甚至超越其他開源模型，接近領先的閉源系統。該模型僅使用2.0862億張獨特影像，基礎模型理論訓練成本約40萬美元。

一種名為C-Norm的新方法透過歸一化TCT影像中的細胞分佈，解決了AI在宮頸癌篩查中表現不佳的問題。該方法將異常和正常細胞解耦並重新合成，實現均勻分佈，然後使用YOLOv12與DINOv3的混合架構進行檢測。實驗表明，該方法達到了最先進的效能。

本文提出Samba，一種混合曼巴架構，用於視聽導航。它採用自適應選擇的曼巴狀態編碼器（M-SE）替代傳統GRU進行時間聚合，並構建音訊曼巴編碼器（AME）以克服卷積運算元在全時頻依賴捕捉上的侷限。在Matterport3D資料集上，導航成功率提升11.3%，在Replica資料集上表現更優。該工作以更低計算成本實現更強具身表徵，為視聽導航正規化演進提供了穩健技術路徑。

針對現實交通資料中的異質性空間關聯和非線性時間動態，現有方法聚焦於圖、注意力和分解架構，而忽略了底層非線性函式逼近器的作用。STKAN透過引入泰勒多項式Kolmogorov-Arnold網路模組到空間和時間令牌混合中，首先利用可學習的軟節點組分配機制構建高層次空間表示，進行組級空間混合，然後在壓縮序列上建模時間依賴，並輔以空間和時間自注意力層捕捉長程互動。在五個交通預測基準上，STKAN取得了競爭性表現，且優於基於MLP的變體，表明非線性函式逼近器設計可作為架構設計的有力補充。

知識追蹤（KT）旨在透過建模學生歷史互動中的動態知識狀態來預測其未來表現。現有方法通常將原始互動序列視為統一行為過程，忽略了學習行為的階段性。本文提出相位感知知識追蹤（PAKT），將學生互動分解為能力和熟練度階段，並設計多分支Transformer聯合捕獲階段特定和整體知識狀態。在六個基準資料集上，PAKT最大AUC提升1.33%，平均提升0.82%。