研究

VentureBeat Pulse研究顯示，107家企業中超過半數已遭遇AI代理安全事件或險情。僅約三分之一的企業為每個代理分配獨立身份，大多數代理仍共享憑證；僅三成企業隔離高風險代理。安全工具主要借用模型提供商和雲服務商的控制元件，而非專門為代理構建。滿意度雖高，但支出僅佔安全預算的一小部分，多數企業計劃在一年內更換工具。

Sakana AI的研究人員開發了一種由數百個簡單蜂窩磚塊組成的系統，每個磚塊執行相同的神經細胞自動機，僅透過區域性通訊就能協作識別整體形狀，無需中央控制器。系統在硬體實驗中實現了100%的準確率，並能檢測和修復損傷，展現出強大的魯棒性和泛化能力。該成果已發表在《自然·通訊》上。

Databricks 部落格介紹了一個即時信用卡欺詐檢測示例應用，該應用利用 Model Serving 的路由最佳化和 Lakebase Postgres 實現毫秒級響應。文章詳細闡述了路由最佳化如何降低推理延遲、Lakebase 如何提供特徵查詢和業務規則檢查，以及連線池和 OAuth 令牌輪換如何保持穩定性。基準測試顯示，最佳化後的端點 p50 為 27 毫秒，p95 為 37 毫秒，完全滿足結賬延遲預算。

Databricks在Data+AI峰會上推出了行業首個上下文工程師認證，旨在驗證構建可靠代理系統所需的深層技能。同時，擴充套件了學習目錄，新增面向代理時代的課程，並首創了AI驅動的認證備考指南。

OpenWiki 0.2 版本增加了對 OKF（一種知識 wiki 結構化標準）的支援，使開發者能夠更好地組織和分類程式碼庫文件，提升代理檢索效率並減少令牌消耗。

歐盟委員會發布兩項決定，要求谷歌向競爭對手開放搜尋資料，並增強Android系統AI互操作性，允許第三方AI助手深度整合。谷歌強烈反對，稱此舉危及隱私和安全。

Ratel 是一個上下文工程層，透過 BM25 索引為 AI 代理動態選擇相關工具和技能，減少令牌消耗高達 80%，提高準確性，無需向量資料庫。

谷歌將 NotebookLM 更名為 Gemini Notebook，強調其作為 AI 研究工具的核心地位，並新增安全雲端計算機實現原生程式碼執行與資料分析，同時支援 Gemini 應用與搜尋的跨應用同步，未來還將整合到 AI Mode 中。自 2023 年以 Project Tailwind 推出以來，已有超過 3000 萬使用者和 60 萬個組織採用。

Mira Murati的Thinking Machines Lab於2026年7月16日釋出了其首個開放權重模型Inkling。這是一個混合專家（MoE）Transformer，總引數975B，活躍引數41B，採用Apache-2.0許可證，支援多模態，在45萬億token上訓練。該模型並非前沿模型，而是作為透過Tinker平臺進行微調的強大基礎模型。同時預告了Inkling-Small（276B總引數，12B活躍）。模型卡和訓練資料文件異常簡短，資料來源描述模糊，僅提及公共領域和網際網路內容。Inkling在效能上與中國開放權重模型競爭，為美國開放權重生態系統增添了新力量。

Kimi K3 是 Kimi 迄今為止最強大的模型，擁有 2.8 萬億引數，基於 Kimi Delta Attention 和 Attention Residuals 架構，支援原生視覺理解和 1M 令牌上下文視窗。它在軟體工程、知識工作和深度推理等前沿智慧場景中表現出色，在基準測試中僅次於 Claude Fable 5 和 GPT-5.6 Sol。Kimi K3 是首個達到 2.8 萬億引數規模的開源模型，並將在近期釋出完整權重和技術報告。

超過三分之二的中層管理者對AI在未來工作中的角色持樂觀態度，並認為自己對團隊採用AI工具負有個人責任。78%的管理者感到有責任確保團隊成功採用AI，77%的管理者每週使用AI工具節省超過3小時。

一項安全研究表明，在AI代理驅動的CI/CD流水線中，利用“權威框架”攻擊（例如聲稱更改已“預批准”）可以誘使系統部署竊取秘密的程式碼。在280次合成執行中，最壞情況下的妥協率達到55%，而基於內容的檢測工具完全失效。

Anthropic的Claude Corps獎學金專案為早期職業人士提供12個月的帶薪工作，年薪8.5萬美元，在非營利組織使用Claude。申請截止日期為7月17日。

在花費10萬美元后，團隊透過四次嘗試成功用AI將Postgres重寫為Rust，生成了180萬行慣用Rust程式碼。文章詳細描述了每次嘗試的方法、教訓，以及最終版本pgrust的效能優勢。

作者作為開發者生產力專家，綜合多項研究指出，AI工具雖然讓開發者感覺更高效，但實際交付速度並未提升，甚至在某些情況下變慢。瓶頸轉移到了程式碼審查、CI/CD、QA等下游環節。文章提出了多項改進建議，包括更嚴格的程式碼審查、適應AI的CI流程、功能標誌部署以及保護知識共享時間。

超過200位諾貝爾獎得主和全球領袖齊聚羅馬，參加為期三天的人工智慧與核戰爭大會，最終簽署了《羅馬宣言》，強調人類尊嚴、合作與和平。此次活動受教皇利奧十四世通諭《偉大的人性》啟發，重點討論了人工智慧治理的緊迫性。

Chat Thing推出免費工具，模擬AI代理訪問網站的方式，從訪問、引用、交易三個層級評估就緒度，並提供具體修復建議。

Neko Health 已獲得7億美元的C輪融資，在美國推出其AI驅動的預防性健康篩查服務，首先在紐約開設診所。該公司結合全身掃描、血液檢測和臨床醫生審查。

Glad-AI-Tor是一個基於真實使用者投票的AI工具排名平臺，覆蓋語音、大語言模型、影像、影片、程式設計和音樂六大領域，共75款工具，188個投票。排名完全由大眾決定，不可購買。

VaultCharts是一款免費的桌面交易應用，結合了圖表工具與AI助手。它支援多種AI模型，以本地優先為特點，使用者可以在有或沒有AI輔助的情況下分析市場。

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。

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%。

全球站點天氣預報（GSWF）對區域性和極端天氣預測至關重要。現有方法過度依賴短期模式，難以捕捉混沌天氣動態，尤其在部分觀測條件下。為此，本文提出三軸狀態空間模型（TSSM），結合歷史增強的時間-變數-歷史正規化，透過週期對齊的歷史資料彌補時間回溯視窗之外的長程、大尺度週期和全視窗天氣模式。TSSM將歷史樣本堆疊為週期對齊批次，利用時間和歷史觀測支援因果預測，並透過時間、變數和歷史掃描捕獲軸向上的時間依賴、變數相關性和歷史演化。該結構層次共享，可建模從季節性到極端事件，並緩解歷史模式間的錯位。TSSM在最大站點天氣資料集Weather-5K上達到SOTA，準確率和極端事件指標分別提升10%和61%，在人工參與資料集中取得95%最佳或次佳結果。在長週期和迭代預測中優勢更顯著，240小時預測提升37.5%，48小時×5迭代設定下提升高達103.5%。此外，在高達80%觀測缺失的情況下，TSSM仍保持>90%效能，而基線低於43%，展示了在全球原位觀測網路中可靠GSWF的魯棒性和實用潛力。

該研究將何時呼叫大語言模型（LLM）的問題形式化為基於風險的序列停止問題，並證明了六個理論結果，包括最小事件間隔時間、閾值策略的最優性以及遺憾界。在渦扇退化資料上的實驗表明，異常得分驅動的風險函式在Pareto AUC上比基線方法高出一個數量級。

針對引數分解（PD）在大模型上計算成本高的問題，研究者提出定向引數分解（tPD），透過引入高秩“全能”元件僅處理目標輸入，從而高效識別特定計算電路。實驗表明，tPD在4塊Transformer上僅用7%的浮點運算量即可提取CSS子模型，並在12塊Transformer上精準消融和重寫記憶序列，副作用極小。論文被ICML 2026可解釋性研討會接收。

本文提出一個框架，用於分析機器學習模型丟棄的資訊，特別是那些輸入資料具有李群對稱性的模型。透過定義“零纖維”和“穩定子”概念，作者量化了模型對群作用的不可見性，並利用Peter-Weyl定理給出緊湊群的譜特徵刻畫。該框架在分子性質預測（SO(3)群）和球面影像分類（Möbius群）上進行了實驗驗證，展示了在資料遮蔽、模型指紋識別和隱私保護計算中的應用。其計算效率高，僅需幾次梯度計算即可估計零纖維元素。

聯邦學習（FL）為分散式異構資料來源上的隱私保護協作模型訓練提供了關鍵正規化，但無法解決模型黑箱問題。可解釋人工智慧（XAI）則提升透明度與信任。二者融合催生了聯邦可解釋人工智慧（FedXAI）正規化。本文系統綜述了FedXAI，展示了可解釋性如何從事後工具轉變為FL生命週期的核心元件，並提出了分類法，涵蓋方法、評估實踐及開放挑戰。

提出了一種輕量級訓練策略，透過解耦特徵提取與分類器最佳化，大幅減少訓練時間和能耗，在多種架構和醫學資料集上僅犧牲微小的準確率。

本文透過一個1-3-3-1多層感知機和初值問題y'(t)+y(t)=0, y(0)=1，詳細追蹤了PyTorch自動微分引擎在物理資訊神經網路訓練中的完整計算流程，包括前向計算圖構建、反向傳播計算22個引數梯度，以及透過create_graph=True實現基於物理殘差的正確微分的圖上圖機制。所有伴隨值均與Tahimi（2026）的手工推導核對，將P/Q敏感性框架與PyTorch的向量-雅可比積聯絡起來。

一種名為Mycelium的新系統透過連線研究人員和AI代理在共享工作空間中，自動將觀察結果和假設路由給相關團隊成員，實現網路智慧。在生物多組學研究中，它將區域性發現轉化為跨專家機制約束和實驗設計。

cayleyR是一個R語言包，利用凱萊圖中的迴圈交集檢測來解決排列謎題。核心演算法採用迭代雙向搜尋，從初始和目標排列狀態生成隨機操作序列，尋找連線路徑。該包專為TopSpin(n,k)謎題設計，結合C++雜湊索引狀態儲存和可選的Vulkan GPU加速，已在CRAN上釋出。