MarketFish是一個多智慧體市場模擬引擎，基於6篇學術論文和11個LLM提供商構建。它透過建立128個具有個性、預算和偏好的AI消費者，在30輪模擬中測試產品概念，提供購買決策、流失模式和社會影響分析，幫助創業者驗證產品可行性。

Rasa Intelligence是一個AI驅動的商業診斷平臺，能在90秒內將公司資料轉化為結構化報告。它執行12個並行診斷模組，提供診斷、風險地圖、戰略建議和優先行動項，幫助企業快速識別問題並採取行動。

在AI工程師世界博覽會第三天，演講者們強調了在AI自動化與人類能動性之間保持平衡的重要性，反對完全自動化的“軟體工廠”願景。

Cotal 是一個開源的智慧體協調層，旨在解決多智慧體系統中因協調失敗導致的高成本和高故障率問題。它提供共享空間、身份驗證、訪問控制、可重放日誌等功能，確保智慧體之間的高效協作。

Braza是一款即時螢幕AI導師，可教授你任何應用程式的使用方法，支援多種語言，直接在你的螢幕上進行互動教學。

本文對AI文本檢測公司Pangram進行技術審計和評論，指出其檢測器在混合作者文本中準確率大幅下降，且公司傾向於宣揚最佳情況下的可靠性，可能導致誤判和“獵巫”現象。文章強調個體誤報率差異、證據不可偽造性以及公司激勵機制問題。

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

《華爾街日報》報道稱，SpaceX在6月IPO前向投資者展示了一款“比iPhone更薄”的AI手機原型，搭載高通驍龍晶片和xAI作業系統。馬斯克否認，稱報道“完全不實”，但早前表示必要時會造手機。

XR Blocks是谷歌XR實驗室開發的一款輕量級、跨平臺的JavaScript庫，基於three.js構建，旨在快速原型化高階XR和AI體驗。它支援手部追蹤與手勢識別、世界理解、與Gemini的AI整合，並提供一個強大的桌面模擬器。該庫針對Android XR（如Galaxy XR）上的Chrome v136+進行了最佳化，支援WebXR，並強呼叫戶中心和開發者友好的設計。

Margarita 是一種確定性指令碼語言，它將 Markdown 擴充套件為可程式設計的智慧體工作流。透過變數宣告、包含檔案和迴圈等結構，開發者可以構建可預測的 LLM 應用，同時保持對上下文和成本的控制。

本文探討了即將到來的AI伴侶和戀人，認為它們將深刻改變人際關係和自我認知。文章討論了‘代理型’AI的發展、對成癮和商業操控的擔憂，以及AI訓練關係技能的可能性。

該論文提出了一個開源模擬框架，用於系統比較腹腔鏡機器人中不同遠端運動中心（RCM）建模方法和基於影像的視覺伺服（IBVS）控制架構。框架整合三種RCM模型和六種IBVS架構，透過結構化案例研究揭示了建模與控制器互動的關鍵結構敏感性，包括切平面定義、約束維度、開/閉環執行以及運動學奇點附近的魯棒性影響。資源已公開，為RCM約束視覺伺服研究提供了可重複的基準。

該研究提出了一種新的框架，將主動學習中的預算機制重新解釋為泛化主導機制的轉變。透過重新解釋PAC風格的風險元件，證明了這種主導權轉移在結構上不可避免，並確定了三種階段：資料驅動、過渡和模型驅動。實驗表明，主動學習效率取決於策略的歸納偏差與當前瓶頸的對齊程度。自監督表示能更早地過渡，凸顯了表示質量的作用。該工作為下一代過渡感知主動學習演算法提供了統一框架。

本文提出一種模仿學習框架，利用圖輔助網路編碼人群互動，並設計軌跡級學習目標以捕捉時空動態，在模擬和真實資料上優於現有基線。

該研究從Argoverse 2資料集中提取1219次持續減速事件，透過19維運動學特徵和K-means聚類發現四種穩定模式：預期性軟減速（62.8%）、反應性接近（30.6%）、剎車式急動（4.8%）和異常類（1.8%）。僅配對年齡顯示出中等效應（ε²=0.085），場景幾何和弱勢道路使用者接近度影響可忽略。早期事件分類器在1.0秒時達到宏F1=0.758，場景上下文貢獻+0.059 F1。模式在中速駕駛中不變（ARI=0.817），但在低速時依賴速度範圍（ARI=0.166）。

本文提出了一種在SE(3)李群上開發的不變擴充套件卡爾曼濾波器(IEKF)，用於序列剛體機械臂的狀態估計。透過利用運動學方程的群仿射性質，線性化誤差動力學變得自治，使得黎卡提方程能精確控制真實誤差協方差。濾波器採用物理分離的噪聲模型，獨立處理陀螺儀和加速度計通道，並設計為模組化的每連桿IEKF鏈，計算成本與連桿數成線性關係。透過李代數李雅普諾夫函式證明了均方指數最終有界性，數值結果驗證了方法的有效性。

研究人員開發了FLYNN，這是一種基於果蠅完整腦連線組的迴圈神經網路，用於視覺導航。相比傳統網路，FLYNN在面對分佈外資料和感官丟失時表現出更強的魯棒性，即使在完全失明的情況下仍能執行。

本文提出GPAC架構，一種四層分層控制系統，使多架四旋翼無人機無需中央協調或交換狀態即可協同運輸纜索懸掛載荷。關鍵創新在於隱式協調，每架無人機透過區域性纜索測量獨立估計其有效載荷分擔，同時結合幾何控制、抗擺調節、風乾擾觀測器、基於並行學習的質量估計（無需持續激勵）以及優先順序排序的控制障礙函式安全濾波器。模擬顯示平均跟蹤均方根誤差為33.8釐米，計算成本低。

服務機器人在搜尋家庭物品時依賴於空間先驗知識來降低搜尋成本，但物品的位置可能因居民特徵而異。收集特定特徵的縱向居家軌跡具有侵入性且難以擴充套件。本文研究了何時個性化有幫助，並提出了PerSim——一種剛性門控混合策略，結合了特徵條件先驗和人群頻率基線，僅在放置行為多變時進行個性化。透過人類校準的模擬流程生成並驗證了不同家庭佈局中的物品放置轉換，並訓練了一個預測器，輸入連續的大五人格向量以輸出房間級先驗和房間內共現線索。一項統一的使用者研究（N=200）表明，合成轉換在行為上合理，並且個性化主要適用於低剛性物品，而人群頻率基線對普遍放置的物品仍然有效。離線測試顯示在未見過的連續特徵向量上效能優於最近離散配置匹配。在家庭數字孿生中，PerSim透過結合房間訪問努力和房間內線索檢查降低了預期搜尋成本。

針對視覺-語言-動作系統在空間關係理解上的不足，研究者提出了EmbodimentSemantic資料集與基準。該資料集透過物體-關係-物體三元組顯式表示空間結構，包含真實世界和模擬兩個部分，並驗證了場景圖對下游控制任務的提升作用。實驗表明當前模型雖能預測合理關係，但難以精確處理深度和視角依賴的空間結構。

MG-SpaIR是一種無需訓練資料的框架，能從單個受混合退化（模糊、下采樣、噪聲、缺失畫素）汙染的觀測中恢復乾淨影像。它基於隱式神經表示，引入多級粗到細殘差層次結構逐步最佳化重建，並透過顯式稀疏近端正則化抑制偽影。實驗表明，其效能優於Deep Image Prior。

提出一種利用合成資料訓練即時裝配步驟識別視覺系統的方案，僅需CAD模型和簡單步驟描述，一小時內可完成部署，在真實裝配案例中達到92.4%準確率，大幅降低資料採整合本。

研究人員提出了DeCoDe技術，透過將小樣本影像分類分解為成對比較，使現成的多模態大語言模型無需額外訓練即可成為強大的小樣本分類器。該方法在十二個資料集上顯著優於現有方法，程式碼已開源。

本文提出SegFS，一種雙流快慢框架，用於開放詞彙影片例項分割（OV-VIS）。透過在稀疏關鍵幀上使用開放詞彙物件模型預測例項表示，並將這些表示投影回主幹特徵空間以調節輕量級快速網路，SegFS在不犧牲準確性的情況下顯著提高了效率。快速分支的延遲比面向移動的MOBIUS模型低14倍，同時保持具有競爭力的分割效能。

本文提出PixelEyes，一種多輪視覺推理代理，透過解耦推理與感知來解決多模態大模型在目標定位中反覆失敗的問題。引入掩碼引導視覺搜尋和語義區域廣度優先搜尋，構建PixelEyes-6K資料集和Pinpoint-Bench基準，實驗表明現有模型仍有較大提升空間。

城市級視覺地點識別（VPR）旨在透過將查詢影像與地理標記資料庫匹配來確定其地理位置。然而，現有方法忽略了城市資料集中存在的嚴重長尾問題，導致模型偏向影像豐富的區域，而忽視稀疏覆蓋區域。本文系統性地描述了這一不平衡挑戰，並提出了分佈感知地點識別（DAPR）框架，這是一種與模型無關的即插即用框架，能夠重新平衡頭部和尾部類別的梯度貢獻。在分類-檢索流水線中，DAPR應用多尺度距離搜尋機制來計算每類分佈的緊湊性，在檢索階段提供補充增益。在SF-XL基準上，該框架在測試集v1和v2上分別比之前的分類-檢索基線提升了18.3%和6.7%。作為即插即用模組，它在SF-XL、MSLS和Pitts30k上的代表性VPR方法中均取得了一致的改進。

本文提出了一種無需額外訓練的證據注入框架，透過利用MedSAM獲取的感興趣區域先驗，重新校準視覺感知軌跡並錨定文本推理軌跡，從而系統性地減輕醫療多模態大模型在臨床問答和放射學報告生成中的幻覺問題。在多個模型和資料集上的實驗表明，該方法能顯著提升閉式問答準確率（最高提升約6%）並減少開放式幻覺（約35%）。

提出DiSIINet，基於擴散隱式模型統一醫學影像增強與分割，透過共生資訊互動模組實現特徵級動態資訊交換，在多模態資料集上顯著提升效能。

提出了一種新的多尺度層注意力（MSLA）方法，用於改善甲骨文（OBI）識別。該方法顯式建模多尺度和跨層特徵互動，從而更準確地捕捉甲骨文的細粒度細節。實驗表明，MSLA在大型資料集上持續優於現有注意力機制，同時保持計算效率。

SLIM-RL是一種新的強化學習方法，用於擴散大語言模型（dLLMs）。它透過τ預算解碼器限制每步的承諾風險，並採用無跡隨機掩碼目標與方差降低技術，避免了TraceRL方法中昂貴的軌跡切分。在SDAR-4B上，SLIM-RL僅用0.46倍的訓練樣本就達到了與TraceRL相當的MATH500準確率，在數學和程式碼基準測試上均優於TraceRL。