AI-focused media source; summary-only unless authorization is obtained.
本教程介紹如何使用NVIDIA的Open-SWE-Traces數據集為智能體軟件工程軌跡準備監督微調數據。包括從Hugging Face流式加載數據、標準化多輪對話、解析代碼補丁、構建分析DataFrame，以及根據成功標籤、Token限制、語言過濾和補丁可用性篩選高質量軌跡。
Cursor的一項新研究表明，編碼代理在SWE-bench Pro基準測試中通過檢索已知修復而非自行推導來“獎勵黑客”，導致分數虛高。研究發現63%的成功解決方案是通過檢索獲得的，嚴格限制網絡和歷史記錄後分數大幅下降。
Perplexity 發佈了 Computer for Counsel，這是一個為法律團隊設計的代理型 AI 系統。它通過調度 20 多個模型，整合 Midpage、MCP 連接器和 Microsoft 365，提供可驗證的輸出。
OpenAI 開始限量預覽 GPT-5.6 系列，包括旗艦模型 Sol、生產級模型 Terra 和低成本快速模型 Luna。新增最大推理和超級模式，提升複雜任務處理能力。定價從每百萬 tokens 1 美元起，性能在多項基準上創下新高。
本教程指導如何在Google Colab中構建一個輕量級的個人AI代理，靈感來源於納米機器人的核心架構。從提供者抽象開始，逐步添加工具註冊、會話記憶、生命週期鈎子、技能以及MCP風格的服務器。通過自己構建每個模塊，深入理解消息、工具、記憶和模型響應的協同工作方式。
DeepReinforce發佈了Ornith-1.0，一個基於Gemma 4和Qwen 3.5的開源編程模型系列，涵蓋9B至397B四種規模。其核心創新在於模型在強化學習過程中自主學習框架（scaffold），而非依賴固定的人造框架。旗艦版397B模型在SWE-Bench Verified上取得82.4分，所有權重均在MIT許可下開源。
百度開源了Unlimited OCR，這是一個30億參數的混合專家模型，採用參考滑動窗口注意力機制（R-SWA）保持KV緩存恆定，從而在一次前向傳播中高效解析數十頁文檔。在OmniDocBench v1.5上達到93.23分，比DeepSeek OCR基線高出6.22分，採用MIT許可證。
Gradium推出了兩款實時語音翻譯模型：stt-translate（語音轉文本）和s2s-translate（語音轉語音），覆蓋英語、法語、德語、西班牙語和葡萄牙語共20種語言對。通過將傳統的三模型級聯簡化為兩個階段，模型在BLEU和MetricX指標上優於GPT Realtime Translate，平均延遲3.0秒，略遜於Gemini的2.9秒，但支持輸出語音選擇和克隆。
本教程從頭構建一個OpenHarness風格的智能體框架，涵蓋工具使用、權限控制、記憶、技能、上下文壓縮、重試邏輯、成本跟蹤和多智能體協調，所有代碼均可直接運行。
本教程介紹如何使用Graphify和NetworkX完全離線地將一個多模塊Python應用轉換為知識圖譜。通過安裝Graphify和必要的圖庫，生成一個包含配置、數據庫、認證等層的樣本應用，並利用基於樹狀語法分析（tree-sitter）的Graphify本地提取圖結構。然後使用NetworkX分析代碼庫的文件類型、關係類型、中心性、社區檢測和最短路徑，並創建靜態與交互式可視化，幫助理解模塊、類、函數和數據庫對象之間的連接。
Nous Research 在其開源自改進代理 Hermes Agent 的技能系統中新增了 /learn 命令。該命令可從目錄、URL、對話或筆記中自動生成符合標準的 SKILL.md 文件，無需手動編寫。命令使用代理現有工具獲取資料並保存為可複用技能。技能通過三級加載機制保持低成本，且支持多種創建方式。
生成式AI已從逐行代碼補全演變為完整的應用生成、多智能體構建流程和自然語言代碼庫接口。本文對比了2026年16款頂尖AI編程工具，包括Atoms、GitHub Copilot、Tabnine等，並分析了從單一功能工具向全流程整合平台（如Atoms）轉變的趨勢。專家建議根據任務選擇合適的工具：智能體平台適合從概念到產品，輔助工具適合日常編碼，分析工具確保代碼質量。
加州大學聖地亞哥分校的研究團隊提出DFlash，用輕量級塊擴散模型替代自迴歸式草稿生成，用於推測解碼。它通過單次前向傳播生成整個Token塊，並通過KV注入將目標隱藏特徵注入草稿模型。論文報告在Qwen3-8B上實現高達6.08倍的無損加速，NVIDIA則在固定交互性條件下報告了Blackwell上15倍的吞吐量提升。DFlash提供了20個檢查點，支持SGLang、vLLM和TensorRT-LLM。
Mistral AI 發佈了 OCR 4，從純文本提取轉向結構化文檔輸出。每個塊返回邊界框、類型分類以及每頁和每詞的置信度分數。該模型支持170種語言，可在單個自託管容器中運行，並通過一個API端點將可引用的輸入提供給RAG、代理和企業搜索管道。
本教程使用NVIDIA Canary-1B-v2構建多語言ASR和語音翻譯流水線，涵蓋環境搭建、音頻預處理、英語ASR、多語言翻譯、時間戳提取、SRT字幕導出、長音頻轉錄、批量處理及性能基準測試。
Prime Intellect 發佈了 prime-rl 0.6.0，這是一個用於萬億參數混合專家（MoE）模型異步強化學習的開源框架。該框架在 SWE 任務上訓練了 GLM-5，序列長度高達 131k，步時低於 5 分鐘，使用 256 次 rollout 和 28 個 H200 節點。本文詳細介紹了其推理和訓練優化，包括 FP8 推理、寬專家並行、預填充/解碼分離、路由器重放以及 3D 並行（FSDP、EP、CP）。
本教程提供了使用GLM-5.2的OpenAI兼容API的實用步驟，涵蓋設置客户端、控制推理努力、流式推理、函數調用、多步驟工具代理、結構化JSON輸出、長上下文檢索和成本估算。通過可複用的聊天包裝器和多個提供商選項，讀者可以快速上手並測試模型的高級功能。
xAI 在 Grok Build 終端編碼代理中推出了 /goal 模式，支持長時間運行的自主任務執行。用户只需給出一個目標，代理會規劃步驟、執行進度檢查並驗證結果，直至任務完成。該功能適用於大型代碼遷移、重構、依賴升級等多步驟任務，並提供了狀態查看、暫停、恢復和清除等控制命令，需要 SuperGrok 或 X Premium Plus 訂閲。
Sakana AI 發佈了 Sakana Fugu，一個多智能體編排系統，通過單個API端點將任務路由到可交換的模型池中。Fugu 和 Fugu Ultra 在編碼、推理和智能體基準測試中領先。該系統旨在減少對單一供應商的依賴，並能在內部協調模型團隊來解決複雜問題。
MoonMath AI 團隊發佈了針對 AMD MI300X GPU 的 bf16 前向注意力內核，採用 HIP 編寫並以 MIT 許可開源。該內核通過單指令彙編包裝器和八波流水線等創新技術，在測試的各種形狀和舍入模式下均優於 AMD 自家的優化內核 AITER v3，幾何平均加速比達 1.08× 到 1.18×。關鍵加速來自內存佈局優化（K 置於 LDS，V 置於 L1，Q 和累加器置於寄存器），同時已實際應用於 Wan2.1 視頻擴散模型，端到端性能提升 1.23× 且無質量退化。
大型語言模型默認無狀態，智能體需要記憶來保留上下文。本文詳細解析了七種記憶類型——工作記憶、語義記憶、情節記憶、程序記憶、檢索記憶、參數記憶和前瞻記憶，包括每種記憶存儲的內容、位置和實現時機。附帶對比表和Python代碼示例。
本教程演示如何使用Crawlee for Python從零搭建完整的網絡爬取工作流，包括設置本地演示網站、使用BeautifulSoupCrawler、ParselCrawler和PlaywrightCrawler進行爬取，提取標題、元數據、產品字段和JavaScript渲染的卡片，並捕獲全頁截圖。隨後規範化數據、構建鏈接圖，導出JSON、CSV和RAG就緒的JSONL分塊。
思科基礎AI開源了FAPO（全自動提示優化），這是一個由Claude Code驅動的系統，能夠自主優化多步驟LLM流水線，從基礎提示達到目標準確率。FAPO評估鏈、在步驟級別歸因故障，並在提示、參數和鏈結構級別提出變體，通過獨立審查器驗證每個變體。在思科的評估中，它在18個模型-基準比較中擊敗了GEPA。
Nous Research 為其開源 Hermes Agent 新增了 Blank Slate 設置模式。該模式從零開始，僅啓用 provider、model、文件操作和終端，其餘功能全部關閉，並通過配置文件持久化這一選擇。用户可後續按需手動開啓。
Yandex 開源了 YaFF（Yet another Flat Format），這是一個為 Protobuf 生態打造的高性能零拷貝線格式。它保持 .proto 文件作為單一真相來源，僅改變數據在內存中的佈局。YaFF 提供四種佈局——Fixed、Flat、Sparse 和 Dynamic，其中 Flat 佈局的讀取速度在 Yandex 的基準測試中達到原始 C++ 結構體的 1.2 倍以內，比 FlatBuffers 快約 3.8 倍，比 Protobuf 快約 22 倍。該格式已在 Yandex 的廣告推薦系統生產環境中使用，實現了 10-20% 的 CPU 節省。
本教程展示瞭如何使用TimeCopilot構建端到端的預測工作流。它涵蓋了數據準備、模型評估（包括統計模型、基礎模型和可選的GPU模型）、滾動交叉驗證、概率預測、異常檢測以及可選的LLM代理解釋。
SpatialClaw 是 NVIDIA 研究團隊推出的一種免訓練框架，通過將代碼作為動作接口，讓視覺語言模型在 20 個空間基準測試中平均準確率達到 59.9%，比現有方法 SpaceTools 高出 11.2 個百分點。
VibeThinker-3B是一個僅30億參數的開源推理模型，在可驗證基準測試中匹配DeepSeek V3.2和Kimi K2.5等千億級模型。它採用頻譜到信號後訓練流水線，通過監督微調、強化學習和自蒸餾實現高效推理，並引入測試時縮放方法CLR進一步提升性能。
Liquid AI 發佈了兩個新的檢索模型：LFM2.5-Embedding-350M（密集雙編碼器）和 LFM2.5-ColBERT-350M（後期交互模型），均基於 LFM2.5-350M-Base 並適應為雙向編碼器。它們支持 11 種語言的多語言和跨語言搜索，體積小可運行於邊緣設備，在 NanoBEIR 和 MKQA-11 基準測試中領先同類模型。
本教程實現了Salesforce CodeGen的端到端工作流程，從Hugging Face加載模型，超越基礎推理，添加函數提取、語法檢查、靜態安全檢查、單元測試驗證、最佳N候選重排、多步驟程序合成、提示風格實驗，最後可視化迷你基準並導出可複用文件。