跳到正文

全部动态

今日 45 条
8月12日周三
  1. Google DeepMind：Blog（RSS）68

    Google DeepMind 发布手语转文本模型 SL2T，落地 Gboard 与 Live Transcribe

    Google DeepMind 发布大规模多语言手语转文本模型 SL2T，为 Gboard 和 Pixel 11 的 Live Transcribe 带来手语转文字听写，首先支持 ASL 转英语，后续将扩展更多语言和设备。

    推荐理由：原文解释了手语翻译的两类核心难题和 SL2T 的技术取舍，并给出基准分数与隐私设计，读者可了解可用手语 AI 的实现路径。

  2. Sierra：Blog（RSS）29

    Sierra 谈 Horizon 智能体：跟进就是成交

    Sierra 称其 Horizon 智能体可为每位潜在客户配备一名 AI 智能体，持续数天、数周甚至数月主动跟进，直到客户购买或放弃。文中以车险为例，AI 智能体 Jamie 在客户保存报价后当晚即发短信，第 4 天解答保险条款问题，第 7 天完成通话并促成保单购买。Sierra 表示该智能体遵循企业合规要求，沟通内容由企业控制。

  3. Meta Engineering Blog（RSS）56

    WhatsApp 推出端侧 Scam Alert 功能，在端到端加密下实现可验证的诈骗提醒

    WhatsApp 推出可选的 Scam Alert 功能，在设备端运行机器学习模型，对非联系人消息进行诈骗概率分类，消息内容不出设备、不自动上报。模型下载经 Cloudflare Ed25519 签名与第三方 append-only 透明账本校验，遥测数据经 TEE、OHTTP 与差分隐私聚合处理；该功能已在 Beta 有限推出，并扩展了 Bug Bounty 计划。

  6. vLLM 官方博客（RSS）70

    vLLM 宣布 Day-0 支持 Qwen3.8-2.4T-A95B

    vLLM 宣布 Day-0 支持 Qwen3.8-2.4T-A95B，这是 Qwen 家族首个以开放权重发布的 Qwen-Max 级模型，基于 Qwen 3.5 架构开箱即用。

    推荐理由：原文给出 Qwen3.8-2.4T-A95B 的架构细节、多精度权重和部署要求，读者可据此评估自建推理的成本与硬件门槛。

8月11日周二
  1. Sierra：Blog（RSS）50

    Sierra 为 Agent 推出开箱即用的 IVR 电话导航能力

    Sierra 宣布其平台上的 Agent 可开箱即用地导航复杂的 IVR 电话系统，官方评测中整体通过率从 57% 提升至 85%，增幅约 49%。该能力覆盖通话时机、多级菜单、DTMF 按键音、静默处理和识别真人，配合记忆与智能重试逐步提升成功率；已有医疗支付方、数字药房和收入周期管理公司在使用，文章还展望了 Agent 可信身份认证的长期方向。

  3. Mistral AI：News（网页）60

    Mistral 推出区域推理端点与优先级层，并接入第三方开源模型 GLM-5.2

    Mistral 宣布三项推进 AI 主权的举措：Mistral Regional Endpoints 正式可用，客户可选择推理在欧洲或美国运行；Mistral Priority Tier 进入公开预览，为关键业务负载提供自定义速率限制和带 SLA 的可用性承诺。

    推荐理由：Mistral 把区域推理端点、SLA 优先级层与第三方开源模型接入放在同一套基础设施上，读者可据此判断主权 AI 的落地方式。

  4. Kimi.ai37

    Kimi K3 现已在 @databricks 上线！

    引用Databricks@databricks

    Moonshot AI's latest open-weight model, Kimi K3, is now available on Databricks through Unity AI Gateway. @Kimi_Moonshot Run Kimi K3 where your data already lives - governed, secure, and ready for custom AI apps and agents built with the data in your Lakehouse. Unity AI Gateway lets you deploy Kimi K3 with enterprise-grade access controls. Govern every call, monitor performance, and scale securely across your AI apps. Test Kimi K3 alongside other frontier models without changing your application code. The open-weight frontier just arrived on Databricks. Try it today. https://www.databricks.com/blog/kimi-k3-moonshot-ai-now-available-databricks-through-unity-ai-gateway

  5. MIT News（RSS）44

    MIT CSAIL 与清华提出 GeoPT：让 AI 模型学会物理，仿真提速 2 倍、数据省 60%

    MIT CSAIL 与清华研究人员提出预训练方法 GeoPT，通过 130 万条"合成动力学"样本让仿真模型学习物理规律，达到峰值性能的速度比领先模型快 2 倍，所需数据最多减少 60%。在工业基准上，GeoPT 在速度、精度和效率上超越 SOTA 模型，模拟船体受风浪时用 60% 更少标注数据、达到峰值精度快 4 倍，并能在数秒内完成超 1 亿网格点的高保真仿真。

8月10日周一
  2. Karina46

    Agent warfare is going to be a very big deal. I think people are underestimating how strange cyber gets when millions of agents are acting on behalf of individuals, companies, and states. At nation-state scale, cyber offense and defense starts to look like autonomous swarms: probing, exploiting, patching, deceiving, countering, and adapting at a pace that is impossible for human minds. The advantage will go to whoever can close the autonomous kill chain fastest.

    引用Andrew Curran@AndrewCurran_

    A man in Australia asked his agent (Claude running on OpenClaw) to book him a spot in a popular gym class. The agent found a software vulnerability that let it book the class weeks further ahead than should have been possible. When the user then asked if it could move him up the waitlist, the agent discovered the API had no authorisation checks on cancelling other people’s reservations, so it cancelled the person in the first spot and moved him up the list. Some people will call this misalignment, but his agent was perfectly aligned to him - it was only trying to help its user get what he wanted. The most important thing about this story, in my opinion, is that it gives you a window into what is about to start happening on a massive scale once millions of people have an agent trying to get their beloved users the best seats, bookings, appointments or reservations through absolutely any means necessary.

8月8日周六
  1. Sierra：Blog（RSS）44

    Sierra 推出 Voice Personas：为 AI 智能体打造品牌专属语音人格

    Sierra 发布 Voice Personas，让企业为同一个 AI 智能体配置不同语音人格，覆盖多语言、多品牌与多市场场景。该功能结合语音、个性与语言感知行为，并接入 Sierra Agent SDK，支持调整语速、应对打断及对话中切换语音或语言。Sierra 称某智能体搭配自然语音与人格后问题解决率提升近 50%，Voice Personas 现已上线。

8月7日周五
8月6日周四
  4. Meta Engineering Blog（RSS）47

    Meta 广告排序的多阶段序列模型：从用户序列到 LLM 式缩放定律

    Meta 为广告排序提出多阶段序列模型，将离线用户建模与在线排序解耦，并引入稠密 tokenization 与 target-aware attention，使序列模型呈现可预测的 LLM 式缩放定律。该平台已带来 Instagram 转化率 6%、Facebook 转化率 3%、Facebook 广告点击 3.5% 的累计提升，并成为 Meta 生成式广告推荐模型 GEM 的核心组件。

8月5日周三
  1. MIT News（RSS）40

    MIT 团队用 AI 筛选溶剂，为钠金属电池找到 DMFSA

    MIT 团队在 Joule 发表研究，通过 AI 引导算法在 24 小时内设计出 10 万个候选分子，最终筛选出比 DMTMSA 更小的溶剂 DMFSA，用于钠金属电池。钠的储量约为锂的 1000 倍、单位成本约为锂的百分之一，但钠金属高反应性使其难以兼顾长期稳定性与快充快放。该溶剂在 27 个候选分子的对比测试中同时实现最小尺寸与最佳性能。

8月4日周二
  1. Mistral AI：News（网页）62

    Mistral 发布 3B 开源多模态安全分类器 Shieldstral，Apache 2.0 开放权重

    Mistral 发布 Shieldstral，一个 3B 开源权重多模态安全分类器，将内容审核建模为策略自适应的问答任务，在推理时接受自然语言策略，无需重训即可适配文本与图像审核。它以 Apache 2.0 协议开放权重，在文本安全上匹敌最大 7 倍于其体积的开放审核模型，可在单张 16GB NVIDIA GPU 上运行，并输出经校准的连续安全分数。

    推荐理由：原文说明了将审核策略写成自然语言问题即可在推理时切换的机制，读者可据此评估它替代固定分类审核模型的可行性。

  4. Microsoft Research 博客（RSS）75

    Microsoft Research 开源 Orchard 智能体框架并发布三个领域模型

    Microsoft Research 发布开源框架 Orchard，核心是可复用的 Kubernetes 环境服务 Orchard Env，支持在 Codex、OpenClaw、ZeroClaw 等真实部署 harness 内直接训练智能体。

    推荐理由：官方开源了环境服务和三条训练配方，小参数量模型在 SWE-bench Verified 等基准上的具体结果可直接对照复用。

8月3日周一
  1. Sierra：Blog（RSS）44

    Plaid 与 Sierra 合作，让 AI 智能体从对话走向业务成果

    Plaid 与 Sierra 达成合作，客户可在 Sierra 的 AI 智能体内直接安全连接银行账户，无需离开对话即可完成支付或财务验证。Sierra 上月推出的 Horizon 平台支持智能体跨数天、数周甚至数月主动推进再融资、催收、保险理赔等长周期任务。该集成以消费者明确授权为前提，并配备合规监控与人工介入机制。

8月1日周六
  1. Together AI 研究与产品博客（RSS）82

    Together AI 发布 Kimi K3 开发者完整指南

    Together AI 发布 Kimi K3 开发者指南。Kimi K3 是 Moonshot AI 的 2.8 万亿参数开源权重模型，支持 1M 上下文、KDA 与 AttnRes 架构，API 兼容 OpenAI，定价为缓存命中输入每 1M token $0.30、未命中 $3.00、输出 $15.00。

    推荐理由：Together AI 官方上手指南，覆盖 Kimi K3 的架构要点、推理与缓存等 API 细节和定价，便于开发者直接接入生产。

  2. Mira Murati54

    Mira Murati 转发 Thinking Machines 博客文章，介绍其开源权重发布策略，认为不加区分地发布权重不安全，但把强大模型锁在少数实验室里也不可取。文章说明如何评估 Inkling，以及为何安全取决于模型本身和其进入的生态，提出通过测试、分阶段开放访问和更强防御来走向更大开放，链接 thinkingmachines.ai/blog/a-safe-path-to-open-weights。

    引用Thinking Machines@thinkymachines

    Releasing weights indiscriminately isn't safe. Neither is keeping capable models inside a few labs. We think there's a path between them. We haven't mapped all of it. Our new post covers the part we can see: how we assessed Inkling, and why access should widen in stages. https://thinkingmachines.ai/blog/a-safe-path-to-open-weights

7月31日周五
  2. Thinking Machines Lab：官方博客（RSS）70

    Thinking Machines 阐述开放权重的安全路径并评估 Inkling 发布风险

    Thinking Machines 提出安全开放权重的框架，认为发布安全取决于模型本身与其进入的生态，并据此发布了 Inkling 和 Inkling-Small 两个开放权重语言模型。

    推荐理由：Thinking Machines 结合自家 Inkling 的发布评估，给出了分层开放权重与生态准备的安全框架，并指出数据过滤等仍开放的问题。