NVIDIA 加速 Google DeepMind 的 DiffusionGemma 以支持本地 AI
DiffusionGemma 通过并行生成文本块大幅降低延迟，NVIDIA 优化使其在消费级 GPU 上也能高效运行，推动本地 AI 应用发展。
行业新闻
Claude Fable 5 与 Claude Mythos 5 发布
Anthropic 发布两款专用模型，分别优化创意与推理，展示模型专业化趋势。
V8.1 现已成为 Midjourney 的默认模型！
Midjourney 将 V8.1 设为默认模型，带来更强的指令遵循和文字渲染能力。
9 个 Gemini Omni 和 Gemini 3.5 实战演示
Google 发布 Gemini Omni 和 Gemini 3.5，9 个演示视频展示多模态与推理能力升级。
回看 2026 Google I/O 大会的 12 个重要时刻
Google 发布新一代多模态模型兼轻量版，展示 AI 从底层到应用的全面提速。
Mistral 推出物理 AI：工程加速的基础
Mistral 发布能预测物理系统行为的 AI 模型，有望加速工程设计与硬件开发。
TCS 和 Anthropic 合作，将 Claude 带入受监管行业
TCS 与 Anthropic 联手，为金融、医疗等受监管行业提供安全、合规的 Claude 部署方案。
GridSFM：一个用于电网的新型小型基础模型
微软发布专为电网设计的小型基础模型，毫秒级预测最优潮流，提升运营效率并解锁成本节省。
Elicit 创始人详解世界模型在研究推理中的应用
本期讨论 Elicit 如何通过过程监督和世界模型，为科学研究构建可审查的推理工作流，以应对模型不透明性。
LongCat-Video-Avatar 1.5 正式开源：从高拟真到真可用
美团开源了商业级数字人视频模型，在唇形同步和稳定性上突破，让数字人视频生成从技术演示走向真实应用。
Hands Free, AIs Forward: NVIDIA XR AI 将智能体带入 AR 眼镜
NVIDIA 推出 XR AI 框架公测版，让开发者能轻松为 AR 眼镜打造交互式多模态 AI 助手。
GLM-5.2 发布，称世界顶级前端编码并引入 IndexShare 投机解码
智谱GLM-5.2以顶尖前端编码能力和IndexShare投机解码技术，再次刷新开源模型性能标杆。
Hermes Agent：与你一同成长的智能体
Hermes Agent是一种通过递归学习自我改进的开源AI智能体，探讨了AI作为协作伙伴而非工具的未来。
推理模型如何破解一个80年之久的数学难题 - 第20集
一场播客对话讲述了AI模型如何成功反驳一个存在80年的数学猜想，展示了通用模型在数学发现中的潜力。
为什么 Netflix、Uber 和 Spotify 从不卡顿：那个没人谈论的数据库 | Aaron Katz
聊 ClickHouse 如何从 Yandex 内部工具变成 AI 公司的实时数据库，以及对代理时代基础设施的洞察。
Speaking of Voxtral
Mistral AI 发布了开放权重的 Voxtral TTS 模型，主打快速、即插即用且声音逼真，推动语音 AI 应用落地。
MiniCPM5-1B 发布
面壁智能发布 1B 参数端侧模型 MiniCPM5-1B，内置混合推理能力，在同尺寸开源模型中表现最优。
利用 MatterSim 推动材料 AI 进步：实验合成、更快的模拟及多任务模型
MatterSim发布多任务模型MatterSim-MT，可同时模拟多种材料性质，加速新材料的发现与合成。
美团发布原生多模态 LongCat-Next：当视觉和语音成为AI的母语
美团开源原生多模态模型 LongCat-Next，融合视觉与语音理解，面向物理世界 AI 应用。
494 – Jensen Huang: NVIDIA – 一家市值4万亿美元的公司与AI革命
黄仁勋亲述NVIDIA的工程文化与AI扩展定律的瓶颈，揭示这家4万亿美元公司如何思考未来计算。
热门产品
Claude Code Artifacts
Claude Code Artifacts 让开发者实时预览和分享 AI 编程助手产生的交互式代码产物，提升团队协作效率。
Zernio WhatsApp API
Zernio WhatsApp API为开发者提供集成WhatsApp消息、通话和AI智能体的单一API，简化开发流程。
API to MCP
将任意API转化为MCP服务器，帮助AI智能体快速集成外部工具，实现自动化工作流。
Unreal Engine 5.8
Unreal Engine 5.8是游戏引擎，引入原生MCP插件支持AI智能体，帮助游戏开发者自动化多步任务，提升开发效率。
Ask Ad Manager by Google Ads
基于Gemini的AI广告助手，帮助发布商深层分析数据、理解广告表现并快速做出更优决策。
MeshPilot
MeshPilot 是一个面向开发者的 AI 工作空间，集成终端、画布和任务板，支持语音交互和 AI 智能体执行任务，实现跨会话持久记忆。
Darkmoon
Darkmoon 是自主渗透测试平台，由 18 个 AI 智能体和 80 多个安全工具组成，面向安全专家，提供自动化、证据驱动的安全评估。
Foglamp
为基于Vercel AI SDK的AI代理提供开源可观测性层，帮助开发者监控调用成本、延迟和token使用，提升应用可靠性。
Mutter AI Dictation
Mutter AI Dictation 是一款离线隐私AI听写工具，适合需要快速语音转文字的用户，3倍于打字速度。
Narration Room
Narration Room 是一款 Mac 本地 AI 应用，帮助内容创作者将文本转换为多语音脚本，支持离线编辑和导出，提升音频制作效率。
Prism
Prism 是 macOS 上的 AI 工作空间，提供多模型聊天、自动化、写作和学习工具，适合追求效率的用户。
Upsolve AI
Upsolve AI 是一个用于构建、部署和评估可信数据智能体的平台，适合数据分析师和开发者，实现治理化的代理分析。
开源项目
voicebox
本地优先的AI语音工作室，集成语音克隆、合成、听写等功能，支持7种TTS引擎、Whisper语音识别和MCP agent语音调用。亮点是完全本地运行保障隐私，同时覆盖语音输入输出全链路，提供REST API和MCP接口方便开发者集成。今日新增140星，热度持续上升。MIT开源许可。
论文
Moebius: 0.2B 轻量级图像修复框架，性能媲美 10B 级别
虽然 10B 级工业基础模型将图像修复的边界推向了新高度，但其高昂的计算成本严重阻碍了实际部署。构建高度优化的任务专用小型模型是一种有前景的解决方案，但极端的结构压缩不可避免地会引发严重的表示瓶颈。 为攻克这一难题，我们提出 Moebius，一个高效的轻量级修复框架。
DragMesh-2: 精确物理拟真的灵巧手-物体交互与关节物体
关节物体的灵巧交互对家庭、辅助和人形操控至关重要，多指手能提供比平行爪抓取更柔顺的接触模式。然而，关节物体操控与静态物体不同：目标部件无法直接驱动，其运动必须通过持续的物理手-把手接触产生。这使从物体中心化关节生成到手驱动的灵巧手-物体交互的转变变得复杂，因为几何轨迹回放或开环执行无法建模移动关节部件所需的接触动力学。
Multi-LCB: 将 LiveCodeBench 扩展到多种编程语言
LiveCodeBench (LCB) 已成为评估大语言模型 (LLM) 代码生成能力的流行基准，但仅限 Python 语言，无法衡量 LLM 在真实软件工程中多语言场景的泛化能力。 为弥补这一缺陷，我们提出 Multi-LCB，一个覆盖包括 Python 在内的 12 种编程语言的跨语言代码生成基准。
趣味性自主机器人学习
当前自主机器人系统能够编写可执行的 Code-as-Policy 程序、观察反馈并在多次尝试中修正行为，但它们仍主要受任务驱动：只有在明确指令后才会获得可重用技能。我们研究 趣味性自主机器人学习 (Playful Agentic Robot Learning)，其中具身编码代理在接收下游任务之前，将自我导向的玩耍作为持续的技能学习阶段。
S-Agent: 空间工具使用激发空间智能推理
现实世界的空间智能需要在一个连续且不断演化的3D世界中进行推理，然而现有的视觉语言模型（VLM）和工具增强型代理大多局限于静态、无状态的孤立视觉观察推理。本文提出 S-Agent，一种空间工具使用代理范式，用于理解和推理连续的多视图图像与视频。
超越静态排行榜：LLM Agent 评估的预测有效性
现有的 Agent 基准测试 快速发展，但单一基准测试覆盖的维度远少于部署场景所需。本文聚合了迄今为止最大规模的 MCP 工业 Agent 基准 协调深度研究：14 项并行实现研究，涵盖新资产类别（包括多模态视觉扩展）、不同编排方式、检索策略、推理模式、基础设施优化和评估方法探索。
DF3DV-1K: 面向无干扰新视角合成的大规模数据集与基准
辐射场领域的进展已实现逼真的新视角合成。在多个领域中，大规模真实世界数据集已被构建，以支持全面基准测试并促进超越场景特定重建的进步。然而，对于无干扰辐射场，仍缺乏一个包含每场景干净与杂乱图像的大规模数据集，这限制了其发展。
FreeStyle: 从社区LoRA挖掘中自由控制风格-内容双参考生成
风格-内容双参考生成旨在合成一张图像，使其保留内容参考的结构和语义，同时采用独立风格参考的风格。尽管近期取得进展，该任务仍然具有挑战性，因为模型需要在内容保真度、风格对齐和指令遵循之间取得平衡，同时避免风格参考的语义泄露。一个关键瓶颈在于缺乏大规模、干净的内容-风格分离且覆盖广泛长尾风格的三元组数据。
FlowBender: 面向自校正条件流的反馈感知训练
条件扩散模型和流模型常常无法满足任务定义的约束条件。例如，深度条件模型生成的图像中，重新提取的深度与输入不一致，尽管前向算子（定义约束的深度预测器）在训练和推理时均可用。现有方法主要分为两类：监督模型将条件信号视为静态线索，推理时忽略对齐信息；基于引导的方法通过手工调整的线性更新来调用约束，通常需要在条件保真度与生成样本合理性之间进行权衡。
JanusMesh: 通过跨空间去噪的快速零样本 3D 视觉错觉生成
创建 3D 视觉错觉——从不同视角呈现完全不同语义的单一 3D 网格——是一项迷人但极具挑战的任务。现有基于优化的方法速度慢且易产生过饱和颜色，而简单的拼接方法则难以生成几何一致的对象，导致明显的伪影和语义泄漏。本文提出一种快速、无需训练的框架，用于生成文本驱动的 3D 视觉错觉。 我们的方法将生成过程解耦为两个阶段。
ImageWAM: 世界行动模型真的需要视频生成，还是只需要图像编辑？
世界行动模型（World Action Models, WAMs）通常依赖视频生成来连接视觉世界建模与机器人控制，但存在三个耦合限制：密集的多帧未来令牌导致推理成本高昂；全视频预测将模型容量浪费在与动作无关的时间与外观细节上；长时程未来想象可能引入误差，误导动作预测。这引出一个简单问题：世界行动模型真的需要视频生成吗？
当前 World Models 缺乏持久状态核心
世界模型正被视为通向人工通用智能的关键一步，但建模物理世界不仅需要按需生成令人信服的帧，更需要一个随事件推进、与观测解耦的内部世界状态，使物体和事件在无人注视时仍持续演化——正如月球在不被观测时仍沿轨道运行。现有基准存在盲点：它们奖励保真度、运动与相机可控性等表面属性，却从未询问生成的世界在未被观测时是否持续演变。
Context-Aware RL 用于智能体与多模态 LLMs
大型语言模型（LLMs）在需要从长上下文或复杂上下文中识别关键证据（如工具轨迹中的单行或图像中的细微细节）时常常失败。本文提出 ContextRL，一种上下文感知强化学习方法，通过间接辅助目标提升长程推理与多模态性能。该方法不直接监督最终答案，而是向模型提供查询、答案和两个高度相似的上下文，并奖励模型选择支持查询-答案对的上下文，从而鼓励细粒度定位。
ENPIRE：真实世界中代理机器人策略自我改进
现实世界中灵巧机器人操控的进步高度依赖人工监督和算法工程，这成为追求通用物理智能的核心瓶颈。尽管新兴的编码代理能自动生成算法搜索代码，但其成功仍局限于数字环境。我们推测，自动化机器人研究缺失的抽象层是一个可重复的真实世界策略改进反馈循环：重置场景、执行策略、验证结果、优化下一次迭代。
FAPO: 多步骤 LLM 流水线的全自主提示优化
多步骤 LLM 流水线常因检索、推理和格式化步骤间的交互而失败，仅优化提示可能忽略链中的瓶颈。本文提出 FAPO (Fully Autonomous Prompt Optimization)，一个让 Claude Code 在标准化代码库内自主优化 LLM 流水线的框架。
视觉接地思考
近期视觉-语言模型(VLM)能够生成自然语言推理轨迹，但这些轨迹通常隐含所依赖的图像区域，导致难以验证和监督。本文提出视觉接地思考，一种在推理过程中将自然语言思考与显式的点或框接地交织的方法，使模型在语言表达中间推理的同时，将关键物体接地到对应的图像区域。
HumanScale: 自我中心人类视频在具身预训练中可超越真实机器人数据
具身基础模型期望像大语言模型一样从数据规模中受益，但面临着更严重的数据瓶颈。当前，遥操作真实机器人轨迹因其精确的动作监督和本体对齐而成为主要预训练来源，但其可扩展性受限于高昂采集成本、获取难度大以及行为和环境的低多样性。 为突破这一瓶颈，自我中心人类视频作为一种可扩展、低成本、高多样性的替代方案引起关注。然而，其相对于遥操作数据的有效性尚未被充分探索。
重新思考 LLM FP4 预训练中的 Shrinkage Bias：几何起源、系统影响与 UFP4 方案
FP4 训练有望显著降低 LLM 预训练的内存和计算成本，然而当前 FP4 硬件路径和方案（包括 NVIDIA Blackwell/Rubin 级系统与 AMD MI350 系列 GPU）仍以 E2M1 数据元素为核心。
Holo-World：视频世界模型的统一相机、对象与天气控制
视频世界模型正朝着在可控相机和对象运动下保持观察世界的同时允许环境状态变化的方向发展。然而，这些控制是孤立的，天气生成通常依赖于已经指定未来结构的源视频或重建场景。本文研究了一种首帧锚定的源到状态设定，其中模型从单张图像开始，跟随明确的相机和对象控制以及可选的天气指令，生成保持源世界或将其转移到目标天气状态的视频。
LedgerAgent: 面向策略合规工具调用代理的结构化状态
在客服领域，策略合规工具调用代理需在跨轮交互中维护任务状态，同时遵守领域策略。任务状态包括相关事实、标识符、约束和条件，这些信息通过用户交互和工具调用获得。标准代理中，任务状态未单独表示，而是将观察、工具返回和策略指令放入提示，导致代理每次决策时需从提示中重建状态。
动态
Claude Code重置所有用户的使用限制
更新：我们已为所有用户在所有套餐中重置了5小时和每周使用限制。祝周末愉快！
Codex实现远程/本地交接，减少基础设施需求
Codex 的远程/本地交接！一次消除边界。当你让模型坐在驾驶座上时，实际上你需要的更少基础设施。
某些令牌在Codex应用中更有效
有些令牌比其他令牌更努力。最有价值的令牌出现在Codex应用中。
推荐Codex技巧，作者大量使用Codex应用
这个帖子看晚了，但关注@danshipper获取顶级codex技巧。如今我在Mac上使用codex应用的时间比所有其他应用加起来还多。
作者作为长期开发者，认为LLM时代应牺牲简洁API换取更强大功能
我长期为开发者构建产品，因此对API设计很有经验。但LLM让我有所调整：或许应该放弃简洁的API，转而追求更强大的API。
codex成为Gmail和Linear的主要接口
codex现在是我进入Gmail和Linear的主要接口 这是现有网络界面未来发展的先兆。
serve-sim新功能：模拟器控制等，优化AI工具
serve-sim 的新功能 ⬦ 模拟器按钮和控制 ⬦ 统一的设备面板 ⬦ 快速设备切换 ⬦ 流媒体控制 针对 Cursor、Codex 和 Claude Desktop 优化 🚀 / npx serve-sim https://t.co/Lvk18gfmmC
给codex用户建议用子代理
RT @pvncher：给codex app用户的专业提示：如果你有令牌需要消耗，只需在你的提示词后加上“根据需要调用子代理”。
今天是疯狂的Codex功能请求日，要求子代理名称有不同的生成率。
RT @ajambrosino: 今天是疯狂的Codex功能请求日。你知道该怎么做。
GLM 5.2发布一周后突然被热捧
GLM 5.2 已经发布大约一周了，为什么所有人今天同时开始吹捧它？
GLM 5.2 是首个令人震撼的开源模型，接近闭源性能
我认为 GLM 5.2 是开源模型世界对前沿AI实验室第一个真正的“哦，糟糕”时刻。并不是因为它比 Opus 或 GPT 更好——它不是。而是因为，我第一次在实际不同任务中使用公开的开放模型，并没有立即感受到差距。这很新颖。我一直对开放模型持怀疑态度。大多数在演示中令人印象深刻，但在实际工作中令人失望。在基准测试中表现良好，但在杂乱任务中表现薄弱。
OpenAI在京都举办创业比赛，提供百万美元API积分
如果你在日本🇯🇵或在那里做生意，这是你获得大量 token 的机会！
团队中的Hannes精通开发者和代理
Hannes 既懂开发者又懂代理。有幸让他加入团队！
Hermes Agent 推出空白模式，最轻安装。
Hermes Agent 现在提供空白石板模式。这是最轻量的安装方式。
Hermes Agent更新支持Cursor Composer模式，需X Premium订阅。
🚀Hermes Agent (@NousResearch) 这次大版本更新，还有一个隐藏亮点非常硬核！ 新版本直接支持了 Cursor 的 Composer 模式 ！ 只要接入 X Premium 订阅就能无缝解锁。 这波更新让 Hermes 的编码能力瞬间进化，生产力直接拉满！ 🥳🥳不得不说，老马这波蓝v订阅的含金量又提升了 ！
GLM 5.2可能颠覆企业AI成本，性能接近闭源模型
大胆观点： GLM 5.2 可能是第一个真正改变企业AI成本方程的开源/公开模型。 今天朋友让我别再忽视它后，我玩了几个小时。 我本以为会是常见的开源模型体验： “挺酷，但明显不如前沿模型。” 但这次感觉不同。 在多个不同任务中，它是第一个让我感觉不比最好的闭源模型明显差的公开开源模型。不完美，没有完全测试，但能力强得惊人。
Cowart: Codex + 无限画布插件开源
RT @zhongerxin: Cowart：Codex + 无限画布工具插件开源，大家可以来试试啦，这个插件先取名叫 Cowart，别问为什么叫这个，我只能说 Code with Art 这种冠冕堂皇的理由：https://t.co/071tWD3G3L https://t.…
GLM 5.2开源模型性能接近前沿，可能颠覆企业AI成本
这不是又一个AI垃圾模型。不要忽视它。 在几个朋友告诉我应该更关注之后，我花了最后几个小时体验GLM 5.2。 我原本持怀疑态度，就像我对大多数开源模型一样。大多数时候，我发现它们远远落后于前沿实验室，不太具有可比性。 但今天感觉不同。 我并不是说它完美，也没有运行全面的基准测试。但在不同领域和任务中，这是第一个真正感觉接近Opus 4.6的公开开源模型。
GLM 5.2评价两极分化，类比GPT-5和Opus 4
我在这里发布了关于GLM 5.2的极其正面的评论，但有些人有完全相反的反应。这也正是GPT-5和Opus 4最初被接受的方式。评论图表看起来像这样\/，两端有巨大的尾巴。
又一AI生成故事获奖，引发规则讨论
又发生了。