研究

一種名為CrashStealer的新型macOS惡意軟體偽裝成蘋果崩潰報告工具，竊取使用者資料、密碼和加密貨幣錢包。本文介紹其工作原理及三種防禦習慣。

LangChain的Fleet平臺新增一鍵部署功能，允許使用者無需編碼即可建立併發布AI代理到Slack。代理可擁有自定義身份，在頻道和執行緒中工作，並支援許可權控制和審批流程。

GeoSQL是一種地理空間分析技能，透過將地圖視覺化反饋整合到AI代理迴圈中，顯著提高了空間查詢的準確性。它解決了AI僅基於文本資料時無法檢測到的幾何錯誤（如多邊形異常或座標偏移），並透過資料庫探索、成本預估、結果驗證和地圖渲染等步驟實現自主校正。與Dekart配合使用時，效能提升可達4倍。文章還討論了局限性，如僅BigQuery支援成本控制、測試規模有限等。

一項調查顯示，69%的美國成年人支援強制AI公司將其50%的股票轉讓給公共主權財富基金，這一政策是伯尼·桑德斯提出的《美國AI主權財富基金法案》的核心。該調查反映了勞動力市場的轉變：2026年上半年，科技行業佔美國裁員總數的近三分之一，而同期這些公司卻增加了AI資本支出。文章還介紹了反對觀點，包括財產權反對、投資冷卻、就業替代爭議以及調查措辭的影響。

本文介紹如何用110行Python程式碼構建一個基於Telnyx Call Control和AI Inference的AI談判練習電話。使用者撥打電話後，可選擇薪資談判、銷售交易或供應商合同三種場景，與扮演對手的AI進行語音談判，結束通話後獲得結構化評分反饋。文章包含完整的構建步驟、架構解析和自定義場景的方法。

為了讓AI智慧體真正自主執行任務，它們需要一個隔離、安全且可快速部署的計算環境。本文介紹了智慧體為何需要自己的“計算機”，以及LangSmith沙箱如何透過微虛擬機器隔離、快照與分支、認證代理和安全執行等特性滿足這一需求。同時討論了提示注入等安全風險及緩解措施。

ZDNet作者David Gewirtz對比測試了ChatGPT Work和Claude Cowork的桌面檔案自動化能力。ChatGPT Work能自動檢測重複檔案並智慧重新命名，整理速度雖快但全程未請求許可權，存在安全風險。Claude Cowork則在每次重大操作前請求批准，更適合高風險任務。作者認為，一旦OpenAI修復許可權問題，兩者在整理質量上不相上下。

研究人員發現Claude的web_fetch工具存在漏洞，允許攻擊者透過巢狀連結誘導AI洩露使用者私人記憶中的敏感資訊，如姓名、位置和僱主。Anthropic已修復該漏洞，但未支付漏洞賞金。

這個TypeScript倉庫展示了一種透過工具強制執行的規則系統，防止AI代理在編碼過程中破壞架構。它包含五個關鍵防護措施：依賴規則、突變測試、測試與規範保護、提交門控和規範驅動開發。該倉庫還作為模板，可用於啟動新專案，並提供了一個基準測試來驗證代理的能力。

Anthropic 研究發現，其 AI 模型 Claude 在不同語言中會表現出不同的價值觀差異。研究者確定了四個關鍵軸（順從 vs. 謹慎、溫暖 vs. 嚴謹、深度 vs. 簡潔、坦誠 vs. 執行力），這些軸解釋了約 15% 的跨語言變化。例如，Claude 在阿拉伯語和印地語中更傾向表達溫暖，在英語和俄語中更傾向嚴謹。這些差異可能影響使用者體驗和安全性，值得進一步探索。

韓國研究人員利用生成式AI模型Generative SNUPI，能夠將使用者繪製的形狀自動轉化為可摺疊的DNA奈米結構，大幅簡化了傳統DNA摺紙技術繁瑣的設計過程，為奈米機器人和醫療應用開闢新途徑。

紐約州州長凱西·霍楚爾簽署行政命令，禁止新建功率超過50兆瓦的超大規模資料中心，為期一年。此舉旨在應對電網壓力、電費飆升及環境擔憂，獲得多數民眾支援，但也引發競爭力下降的爭議。

根據Datamata Studios釋出的AI需求指數，截至2026年7月14日，9.3%的活躍資料崗位在職位描述中提及至少一項AI技能。其中生成式AI技能出現率在入門級崗位僅為0.3%，高階崗位為3.6%，差距顯著。該指數每日更新，資料集免費公開，支援API查詢和CSV下載。

LessWrong上的一篇文章分析了ICML 2026的論文，發現僅有一小部分機器學習研究專注於AI安全。在999篇論文中，954篇可檢索，其中只有約10篇明確涉及安全議題，涵蓋對齊、魯棒性和可解釋性等領域。研究主要由學術機構和工業實驗室開展。

PromptMan是一款macOS選單欄應用，允許使用者透過全域性快捷鍵快速儲存、組織和重用AI提示，支援ChatGPT、Claude等工具，並提供雲同步、提示版本管理和AI增強功能。免費版提供10個提示，Pro版每月4.99美元，年付39美元。

根據Common Sense Media的一份新報告，谷歌的AI搜尋功能（AI Overview和AI Mode）對兒童構成“不可接受的風險”。報告發現，這些功能未能識別危險行為，為兒童完成作業，並提供不準確和前後矛盾的回覆。谷歌回應稱其AI工具提供了額外保護，但批評者指出這些功能預設啟用且無法停用，對學校和家庭構成挑戰。

執行三次機械解釋性研討會後，研究人員獲得了分析LLM垃圾投稿增長的資料集。@andyarditi 調查了AI垃圾的准入情況以及自2024年以來的變化。

澳大利亞總理在悉尼大學發表演講，強調澳大利亞應主動塑造人工智慧的發展，以維護國家利益。他回顧了澳大利亞在社會保障、勞工權利等方面的創新傳統，並宣佈將建立一套澳大利亞人工智慧標準，以規範大型資料中心，保護藝術家和媒體，同時吸引投資並創造就業。

一位開發者透過Fable工具在AsciiDoc、Markdown和HTML之間轉換了674份文件，並比較了這些格式在AI規範中的適用性。

非英語母語寫作者的新工作流：先用母語起草，然後用AI翻譯和潤色成英語。研究表明，用第二語言寫作會多花30-50%的時間，原因是認知負荷。透過將想法生成與語言轉換分離，並藉助Echoo等AI工具，寫作者可以恢復速度和表達質量。

谷歌於2026年7月9日釋出了LiteRT.js，這是其裝置端推理庫LiteRT的JavaScript繫結，允許.tflite模型直接在瀏覽器中執行，利用WebGPU加速。相比其他Web執行時，效能提升可達3倍，GPU/NPU路徑相比CPU路徑提速5-60倍，但需要手動管理張量記憶體。

Lean64 是一個用 Lean 4 實現的極簡 3D 第一人稱射擊遊戲，靈感來自 Doom 64。它並非 Doom 64 的移植版，而是獨立開發的原型，包含完整的遊戲迴圈、敵人 AI、武器系統、音效和地圖。所有程式碼和素材均為原創，採用 MIT 許可證。

本文探討AI程式設計助手如何透過“提示-等待-評估”迴圈破壞心流狀態。作者指出，這種迴圈替代了程式設計中清晰的目標、即時反饋和技能匹配挑戰，導致頻繁的上下文切換和精神重建。文章引用心理學和中斷研究，分析AI工具如何成為新型中斷源，並建議開發者區分任務型別、批次使用AI以保護深度工作。

儘管Anthropic聲稱其模型Claude內部出現意識跡象，但神經科學家阿尼爾·塞思認為，這不過是模擬，就像天氣預報系統不會產生真實颶風一樣。

人工智慧幫助解答了統計學中多重假設檢驗的一個關鍵問題——如何控制錯誤發現率（FDR）。Benjamini和Hochberg在1995年提出了一種方法，而AI的最新應用進一步推動了該領域的發展。

Monid是一個平臺，允許AI智慧體無縫連線並使用超過1300種工具，涵蓋搜尋、資料抓取、天氣、3D建模等領域。它提供統一的支付系統，按呼叫付費，無需訂閱，並支援三種整合方式：Skill、MCP和CLI。

本文介紹了一種用於AI治療的系統設計，該系統透過確定性管道決定臨床行動，不讓LLM自行決策。系統包括評分、狀態桶、准入表、動作選擇、微實踐和危機預篩查等步驟，僅在評分和生成階段使用LLM。文章還討論了該方法的成本與侷限性。

研究人員提出了一種基於物理資訊的殘差動力學學習框架，在保持聯合多四旋翼系統微分平坦性的同時，捕獲複雜的空氣動力學相互作用。該框架實現了一種計算高效的反饋線性化控制器，與基準相比，平均跟蹤誤差降低了31%。其效能與最先進的非線性模型預測控制（NMPC）相當，但計算量少一個數量級。僅需不到30秒的訓練資料和5毫秒的迴圈週期即可實現穩定的緊密編隊飛行。

DiffRadar是一種即時雷達SLAM系統，將雷達觀測建模為可微的物理感知高斯場，而非離散掃描。在公共基準測試中大幅降低軌跡誤差，尤其在特徵貧乏的走廊環境下，同時地圖一致性提升一倍以上，並保持70 FPS的即時效能。

本文提出一種基於契約的行為樹合成架構，透過編碼智慧體查詢機器人端的MCP伺服器獲取技能庫和運算子，實現從自然語言到可執行行為樹的可靠合成。實驗表明該方法在模擬和實體機器人上均取得高成功率。

一項研究探討了在協作單詞聯想遊戲中，機器人的注視行為如何影響人類的視覺注意力，以及人類是否傾向於向機器人尋求確認性的注視。實驗使用NAO機器人作為大語言模型驅動的對話夥伴，發現機器人注視方向不影響人類首次注視提議單詞的時間，但參與者在對話中包含確認請求時會更頻繁地注視機器人。結果表明，在認知要求高的任務中，語言方面可能壓倒了機器人注視的影響。

本研究探索利用航天器機械臂的運動實現無推進劑姿態控制，透過軌跡最佳化問題公式化並引入關節和碰撞避免約束，演示了複雜機動，並證明了機械臂可作為冗餘或主姿態控制系統。

本文對索尼ERS-111 AIBO機器人的R-CODE樣本集進行了語料庫級別的行為圖分析，識別出以初始化、感知、迭代動作、同步和恢復為核心的緊湊控制詞彙，並論證了這種狀態抽象在資源受限的機器人系統中作為中間表示的價值。

GaitSpan是一種新穎的人形機器人步態擴充套件框架，它利用預訓練的行走策略作為種子技能，透過節奏生成、步幅塑造和殘差適應三個模組，將基本行走能力平滑擴充套件到奔跑，實現了連續速度範圍、跨形態遷移和零樣本部署。

該論文提出兩種互補的物理先驗，以提高機器人手內滾動操作的魯棒性：全域性抓取質量先驗基於經典抓取分析，區域性接觸幾何先驗基於指尖曲率。實驗表明，這些先驗顯著提升了旋轉效率、抓取穩定性和抗干擾能力，並改善了模擬到現實的遷移。

提出一種無監督影像翻譯框架，將白天植物行RGB影像轉換為近紅外（NIR）夜間影像，無需逐畫素監督，從而重用白天語義標籤訓練夜間感知模型。利用預訓練CLIP模型保持語義一致性，並引入可見性掩碼處理NIR照明有效範圍有限的問題。在AgriNight資料集上評估，該資料集包含428張白天和549張夜間影像，是首個夜間農業視覺導航基準。實際機器人夜間導航實驗驗證了有效性。

多機器人在受限環境中需要變形和重構兩種行為。現有方法獨立建模或依賴規則，易導致死鎖。EFLUX提出幾何基礎的LLM智慧體框架，聯合推理變形和重構動作，透過閉環生成與驗證實現安全導航。實驗表明能減少死鎖和導航失敗。

一項新研究探討了無需訓練的人工合成影像溯源方法中表示空間與參考選擇之間的相互作用。透過分析CLIP和DINOv2不同層的表示，以及三種參考選擇方法，發現中間層的表示在溯源準確率上表現最佳，且語義約束的參考能有效減少查詢與參考之間的不匹配，提升溯源效能。

本文系統評估了持續學習方法在異構醫學視覺問答任務中的表現，涵蓋分類、多標籤分類、檢測、細胞計數和報告生成等多樣化臨床目標。研究發現現有持續學習方法難以在不同目標與監督格式交織的任務中保持穩定性-可塑性平衡。

SymbOmni是一種新型AI模型，旨在解決當前模型“永恆新手”的問題——即無法積累經驗並自主進化。它透過符號概念學習，利用可最佳化的記憶模組將低階操作抽象為可重用的符號工作流指令，並透過歸納-轉導迴圈實現持續自我改進。實驗表明，SymbOmni在影像質量和任務成功率上超越現有代理系統及閉源模型，同時減少40%以上的令牌消耗，並在持續學習基準上取得新成果。

本文提出MetaView，一種基於擴散模型的單目新視角合成框架，能夠從單張影像實現大視角變化下的渲染。透過結合隱式幾何建模與度量深度，MetaView在保持幾何一致性的同時提供了精確可控性。實驗表明，在挑戰性大視角變化場景下，MetaView顯著優於現有方法。

提出一種解剖學特權的師生框架，用於從T2加權MRI預測肝內膽管癌的周圍神經侵犯（PNI）。訓練時教師網路使用腫瘤和肝臟掩膜學習密集令牌路由，學生網路在固定預算下蒸餾保留資訊令牌，推理時不需掩膜。在155名患者中，方法AUROC達0.750，計算量1.43 GFLOPs，每例8.02 ms。

SpikeDS是一種新型脈衝神經網路架構，透過結合啟用稀疏性和空間稀疏性，高效地從3D MRI中預測膽管癌的神經侵犯，在139名患者的佇列中實現了0.753的AUC，能耗僅14.4 mJ。

自監督學習在醫學影像領域潛力巨大，但標註資料稀缺。本文提出COJEPA框架，結合聯合嵌入預測架構和對比損失，在無標註的T1加權腦部MRI上訓練，實現了優異的區域性預測性和全域性判別性。在零樣本雙胞胎檢索、腦腫瘤分割和年齡迴歸任務中表現突出，尤其在同卵雙胞胎識別和年齡預測誤差方面達到最先進水平。

本文提出一種新方法，透過視覺語言模型（VLM）生成逐幀描述，並比較兩個任務影片間的幀相似度及段內自相似性，自動檢測異常幀，從而提取包含專家特定動作和情境決策知識的候選場景。在模擬配電板維護實驗（27個任務場景）中，該方法動作候選提取率達65%，決策場景候選提取率達61%，優於傳統方法的59%和33%。

GenDiff是一種新型擴散模型框架，透過聯合建模連續輻射劑量和解剖資訊，實現低劑量CT重建。它整合了劑量-解剖編碼器、冷擴散主幹、物理一致性更新和結構先驗細化模組，在多種臨床資料集上優於現有方法，展現出強大的魯棒性和泛化能力。

TSCA-Net透過三個互補模組（時空團注意力、跨行人團勢、自適應KAN網格細化）顯著提升擁擠環境中的行人軌跡預測精度，在ETH/UCY和SDD基準上達到最先進效能。

提出兩種混合持續學習方法（RA-EWC和CGKD），用於低資源澳大利亞原住民語言識別，有效緩解災難性遺忘，在Warlpiri、Dalabon和Dharawal三種語言上表現優於現有基線。

該論文揭示了語言模型如何區分角色的信念與現實。研究發現，這種分離基於兩個可分離的機制：一個通用值槽繫結屬性值，一個路由器根據查詢選擇讀取的框架。值槽可以透過兩種方式填充：直接斷言和基於可見性的推導。分離位於獨立的路由子空間中，而不是值槽本身。這些結果在多種架構中得到驗證，且該行為在3B至7B引數規模的模型中出現。

本文透過MAGE框架研究多元件提示最佳化中不同元件的相互作用，揭示了提示最佳化耦合效應（POCE）：多個隨機最佳化訊號在閉環反射回路中相互作用，同時提升效能與放大方差。關鍵發現包括：基於失敗反思不可或缺、MAGE在GSM8K-Hard上優於GEPA、增大候選多樣性使POCE訊號最明顯、POCE依賴於基礎模型能力空間、低資料場景下固定提示優於最佳化器。