Hugging Face 推出 Open TTS Leaderboard：用客观指标评测多语言 TTS 与语音克隆

Hugging Face 推出 Open TTS Leaderboard，用客观指标评测开源 TTS 模型的可懂度、速度和说话人相似度，将评估周期从数周缩到数小时。

Google 发布在 Raspberry Pi 5 上用 LiteRT 部署 Gemma 的端侧 AI 指南

Google 介绍如何在 Raspberry Pi 5 上用 LiteRT 和 Gemma 模型实现完全离线的实时端侧 AI，并以 Reachy Mini 机器人演示目标检测、语音识别、推理和语音合成的完整本地流水线。

为什么 Go 是 AI 辅助软件工程的理想语言

Google 认为 Go 是 AI 辅助软件工程的理想语言，因为 AI 编程时代开发重心已从写代码转向审查与维护代码。Go 自带格式化、测试框架、依赖管理和安全工具，AI 模型可借助这套端到端工具链更快、更便宜、更可靠地处理 Go 代码。Go 优先可读性而非可写性，其统一风格也为 LLM 提供了更标准化的训练数据。

Google 开源 Credentio：用于 C2PA 内容凭证的 C++ 验证库

Google 发布开源 C++ 库 Credentio，用于本地验证 C2PA Content Credentials，起步支持规范版本 2.2 和 2.4。

HeyGen 与 Google Cloud 合作将 Avatar IV 迁移至 TPU

HeyGen 与 Google Cloud 合作，把 180 亿参数以上的数字人视频扩散模型 Avatar IV 迁移到八芯片 Trillium（v6e）主机上，速度比首个可用版本提升 1.86 倍。

Google 用 ADK 构建零信任 AI Agent 的三层安全实践

Google 开源了基于 ADK 和 Gemini 的客服退款 Agent 示例，演示提示词注入可导致超额退款、密钥泄露等风险。文章提出三层零信任防护：用 Cloud KMS 硬件签名保证写入不可抵赖，用 gVisor 沙箱零网络出口隔离动态生成代码，用确定性语义网关加 CI/CD 回归测试校验输入输出；完整代码见 zero-trust-agents 仓库。

如何在 ADK 中评测实时语音 Agent

Google 在 ADK 中推出原生的 live 语音 Agent 评测能力，可用模拟用户以音频说话、对语音回复打分，并复用已有的文本 Agent 评测流程。

Google Cloud 在 Cloud TPU 上为 vLLM 实现长上下文多模态嵌入推理

Google Cloud 将原生 TPU 支持集成进 vLLM，并以 Qwen3-Embedding-8B 为目标模型完成多项优化，支持 4K+ token 文本与 15K+ token 多模态输入的嵌入推理。

如何用深度学习和 Keras 解码宇宙信号

Google 开发者倡导者 Yufeng Guo 撰文介绍深度学习在天体粒子物理中的应用，这类研究依赖覆盖数千平方公里的巨型观测站，如面积 3000 km²、含 1500 多个探测站的 Pierre Auger Observatory。探测器以纳秒级分辨率记录波形，形成类似图像的数据结构，天然适合深度学习处理，可用于提升仪器灵敏度、发现隐藏模式和搜索信号异常。

Google 复盘 AI Agents Challenge 最强提交背后的 4 种工程模式

Google 复盘其 AI Agents Challenge 获奖提交，归纳出四种反复出现的工程模式：双向 MCP（智能体既是自身工具的客户端也是可供其他智能体调用的 MCP 服务器）、基于事件总线的并行并发、回退模型必须通过与主模型相同的验证函数，以及在昂贵模型调用前做分层路由。

Google Cloud 详解 Gemini Enterprise DevEx Program：以治理工作流冲刺打磨开发者体验

Google Cloud 的 Gemini Enterprise 开发者体验（DevEx）Program 以"冲刺"方式按真实开发者路径实测产品，本轮聚焦智能体治理，梳理出从配置受治理的智能体身份、注册 Agent Registry、绑定 Agent Gateway，到执行策略与内容安全、验证端到端拦截的 5 步工作流。

Google 发布 ADK for Kotlin 1.0：在 Kotlin、Android 及更多平台构建生产级 AI 智能体

Google 宣布 Agent Development Kit（ADK）for Kotlin 1.0 正式 GA，与 ADK 1.0 Core 功能完全对齐，并新增 Android 端侧扩展。

如何评估、迭代与守护 AI 编程智能体：Harness Engineering 解剖

针对 AI 编程智能体，端到端基准（如 Terminal-Bench、DeepSWE）只能给出综合分数，无法解释涨跌原因，行为评估则断言具体可观测动作，如提示词不明确时是否反问、改构建文件前是否跑本地校验。

Google DeepMind 发布 SynthID Bio 为 AI 生成的蛋白质嵌入可验证水印

Google DeepMind 推出 SynthID Bio，将水印技术引入合成生物学，把不可感知的签名直接嵌入生物代码，使水印不仅能在数字模型上验证，也能在合成的实体蛋白上验证，同时在实验室测试中保持蛋白的生物功能。

AWS 博客详解在 Amazon Bedrock AgentCore Runtime Instances 上构建多智能体音乐制作流水线

AWS 机器学习博客发布教程，用三个智能体（作曲、交付、合规）在 Amazon Bedrock AgentCore Runtime Instances 上构建音乐制作流水线。

Google 推出 SynthID Bio，将水印技术引入合成生物学

Google 发布 SynthID Bio，可将不可感知、可验证的水印直接嵌入 AI 设计的蛋白质序列和预测的 3D 结构中，同时保持其生物功能。在针对目标蛋白的实验室测试中，加水印的设计在性能与自然多样性上与未加水印版本相当。该技术旨在为生物安全提供溯源层，并维护开放科学数据库的完整性。

Aidan Gomez@aidangomezAI 评分5050

Cohere 发布新一代嵌入模型家族 Embed 5，提供 Embed 5 Pro（前沿能力）和 Embed 5 Fast（低延迟）两个版本。Cohere CEO Aidan Gomez 转发称该系列可扩展性极强、精度达到 SOTA，并且一如既往支持完全私有化部署，可通过 Model Vault 使用。

Zyphra 网站使用条款更新：公开 Demo 与 Playground 仅供评估

Zyphra Technologies 更新网站使用条款，明确公开 Demo、Playground 和模型预览等测试功能仅供评估使用，不得提交机密、个人或敏感信息，也不得用于生产环境。条款禁止利用这些功能及输出开发、训练或测试竞争性 AI/ML 系统，除非获得 Zyphra 书面许可。基准测试与性能数据仅供参考，不构成任何服务等级协议或性能承诺。

Zyphra 公布 ZAYA、ZONOS、ZUNA、ZAYA-VL 等下一代基础模型

Zyphra Research 公布其下一代基础模型系列，涵盖语言、音频、思维与视觉四个方向。语言模型为 ZAYA，音频模型为 ZONOS，思维模型为 ZUNA，视觉模型为 ZAYA-VL。相关模型在其云平台上提供。

Zyphra Cloud 上线：面向长周期智能体系统的推理服务

Zyphra 推出 Zyphra Cloud，提供面向长周期智能体系统的推理服务，包含 Serverless Inference 与 Dedicated Inference Capacity 两种模式。

Zyphra Research 研究合集：PUFFER 去重系统、ZUNA1.1 脑电模型与 ZONOS2 语音模型

Zyphra 推出面向持续增长训练语料的增量模糊去重系统 PUFFER，在十小时吞吐测试中处理最多 10 亿文档，较现有 CPU 去重方法提速 11x-35x，单进程 1.75 小时可摄入 10 亿文档，已在超 300 亿文档的生产环境部署，并以 Apache 2.0 开源。

Zyphra 介绍：在异构算力上训练多模态开源模型

Zyphra 是一家在异构算力上训练多模态开源模型的研究实验室，专注长时记忆、持续学习与芯片性能的架构创新。其基于 AMD 构建的全栈 AI 平台面向开发者、企业和前沿超大规模厂商，Zyphra Cloud 则针对长周期智能体等高级 AI 系统设计。

PFN 与丰田前沿研究中心联合研究，用 MN-Core L 系列处理器加速 Physical AI

Preferred Networks（PFN）与丰田汽车前沿研究中心（FRC）启动联合研究，用尚在开发中的 MN-Core L 系列 AI 处理器加速 Physical AI 推理。

三菱重工与 Preferred Networks 结成业务联盟，共同开发日本国产关键任务 AI 技术

三菱重工（MHI）与 Preferred Networks（PFN）签署业务联盟协议，将结合 MHI 的硬件、控制与仿真技术，以及 PFN 的国产 AI 基础模型、AI 芯片和计算基础设施，联合开发面向社会基础设施与国家安全等关键任务领域的自主 AI 机械与系统。双方计划在 2026 财年内达成资本与业务联盟协议，以加速中长期研发投入与商业化。

Preferred Networks 投资 Noetra 并参与日本国产多模态基础模型项目

Preferred Networks（PFN）宣布投资 Noetra 并参与其日本国产 Physical AI 多模态基础模型项目，该项目由 METI 与 NEDO 资助，Noetra 与 AIST 共同入选。

Preferred Networks 启动 2028 届应届生招聘预报名

Preferred Networks（PFN）启动 2028 届应届生招聘预报名，正式申请将于 11 月下旬开放。预报名者可收到 PFN 的申请通知及学生技术活动信息，未预报名仍可正常申请。应聘者须为可于 2028 年 4 月或 10 月入职的学生，具体细节将在招聘公告中说明。

PFN 发布 Rust 版 Optuna 实现 Rustuna，并同步推出 Optuna v5.0

Preferred Networks 发布基于 Rust 的 Optuna 实现 Rustuna，并同步推出 Optuna v5.0。内部基准显示 Rustuna 速度最高可达 Optuna 的 1,000 倍，Matlantis CSP 的替换测试中 10 万次 trial 的内存消耗降低约 50%。

ACSL 与 PFN 在 NEDO K 计划下实现 AI 自动生成飞行航线演示阶段

ACSL 与 Preferred Networks（PFN）在 NEDO K 计划的小型无人机自主与分布式控制技术项目中，已实现利用生成式 AI 根据任务需求和周边环境自动生成飞行航线的演示阶段。

三菱重工与 Preferred Networks 达成资本与业务联盟

三菱重工与 Preferred Networks 于 8 月 31 日签署资本与业务联盟协议，三菱重工将通过第三方配股认购 PFN 新股，总计投资 100 亿日元。双方此前已于 6 月宣布业务联盟，共同开发面向社会基础设施和国家安全等关键领域的日本国产 AI 技术，此次资本合作将加速智能自主机械与系统的中长期联合研发及实际部署。

Preferred Networks 的 AI 产品与解决方案

Preferred Networks 提供 AI 产品与解决方案，并开放产品、解决方案、研发及其他案例研究的咨询入口。原文未披露具体模型、版本号或性能数据。

Preferred Networks 新闻发布

Preferred Networks 官网新闻发布页面共收录 123 条内容，当前展示第 1-10 条，分页共 13 页。页面提供产品、解决方案、研发及案例研究相关咨询的联系入口。

PFN 与 PFCI 将于 2026 年用自研 MN-Core 2 AI 芯片加速材料模拟器 Matlantis

Preferred Networks（PFN）与 PFCI 计划在 2026 年内，通过 PFCI 的 AI 云服务 PFCP 向材料模拟器 Matlantis 提供自研 AI 芯片 MN-Core 2 的算力，用于晶体结构等特定计算任务。

Preferred Networks（PFN）如何将 AI 产品与解决方案落地各行业

Preferred Networks（PFN）结合自身技术专长与领域知识，为广泛行业提供 AI 产品与解决方案，目标是让现实世界可计算、共同创造未来。其做法是把技术能力与行业 know-how 结合，从而在多个行业扩大影响力。

Preferred Networks 商业与文化栏目暂无文章

Preferred Networks 的 Business & Culture 栏目目前没有文章，该栏目原计划收录其业务与技术走向社会、以及企业文化与举措相关的故事。页面同时提供 Culture & Benefits 入口，供了解 PFN 的企业文化、工作环境和员工福利。

Preferred Networks 技术栏目：工程师与研究员分享最新研究成果与技术

Preferred Networks 上线 Technology 栏目，由其工程师、研究员和实习生分享最新研究成果与技术。该栏目同时提供联系方式，可就产品、解决方案、研发及其他案例研究进行咨询。

PFN Blog：Preferred Networks 成员分享最新研究与技术

Preferred Networks 推出 PFN Blog，由 PFN 成员亲自分享最新研究成果、技术、产品与解决方案以及企业文化。博客内容涵盖工程师、研究人员和实习生撰写的研究与技术文章，并提供产品、解决方案及研发等案例的合作咨询入口。

Preferred Networks（PFN）2026 实习项目开放申请

Preferred Networks（PFN）开放 2026 实习项目申请，设两种不同时长的课程，方向涵盖大语言模型、生命科学、金融、计算机视觉、产品与服务开发及材料科学等，实习期间由 PFN 工程师与研究员带教。申请人须年满 18 岁、在读学生，具备日语或英语沟通能力，并能到东京大手町办公室现场工作，需自备个人笔记本电脑。实习期间产生的知识产权归 PFN 所有。

Preferred Networks（PFN）招聘：从 AI 芯片到生成式模型

Preferred Networks（PFN）发布招聘信息，招募希望把前沿技术转化为现实影响的人才。PFN 的业务覆盖 AI 芯片、计算基础设施到生成式 AI 模型、解决方案与产品，打通 AI 价值链各层，落地制造、材料、制药、能源、医疗、零售、娱乐与教育等行业。

Preferred Networks 发布多篇 AI 研究论文

Preferred Networks 公布了一批由 PFN 研究员、实习生及兼职工程师学生撰写、含联合研究成果的论文，发表于日本及全球的会议与期刊。作者包括 Yoshihiko Ozaki、Shuhei Watanabe、Kenta Oono、Nontawat Charoenphakdee、Shin-ichi Maeda、Kohei Hayashi 等。

Preferred Networks 研究：PLaMo 系列开源模型与 Optuna、CuPy 等 OSS 成果

Preferred Networks（PFN）发布 PLaMo 系列部分大语言模型及其他经额外数据微调的 LLM 作为开放模型，这些模型通过日本经产省与 NEDO 主导的 GENIAC 项目开发。PFN 同时开源 Optuna 自动超参数优化框架、CuPy GPU 矩阵计算库等研究成果，相关开放模型已在 Hugging Face 上提供。