跳到正文
  1. NVIDIA Blog60

    NVIDIA RTX Spark Windows 笔记本新增模型、智能体工具与游戏支持

    NVIDIA 公布 RTX Spark 轻薄 Windows 笔记本的多项更新,包括开放权重语音模型 Nemotron 3.5 Transcribe、Liquid AI 的 LFM3 系列模型支持,以及 NVIDIA App 中可在前台应用与后台智能体之间分配 GPU 资源的控制项。

    推荐理由:原文列出 RTX Spark 笔记本在语音模型、GPU 资源分配和游戏支持上的多项更新,可据此判断本地 AI 工作流的新选择。

  2. Google DeepMind82

    Google DeepMind 发布世界模型 Genie 4

    Google DeepMind 发布世界模型 Genie 4,可实时生成带原生音频的交互式模拟世界,并支持用自然语言在运行中修改天气、镜头和人物。Genie 4 首次原生生成音频,包括环境声与可随输入实时反应的对话,并借助 Gemini 3.8 Flash 作为引导智能体拆解多步任务、检查画面以维持因果连贯。

    推荐理由:官方披露了原生音频、实时文本操控与 Gemini 引导推理三项能力,可据此判断世界模型与语言模型结合后的模拟边界。

  1. Google DeepMind60

    Google DeepMind 联合 WRI 与 IIASA 发布 ForTy 2020 全球森林类型地图

    Google DeepMind 与 Google Research 联合 WRI、IIASA 发布 Forest Typology(ForTy)2020,把全球每块 10×10 米土地归入六类森林与土地利用类型,作为欧盟反毁林法规 EUDR 的关键基线。

    推荐理由:ForTy 把森林类型细分到 10 米分辨率并给出逐年变化,读者可据此理解 EUDR 合规核查的数据基础。

  1. Google DeepMind60

    Google DeepMind 与新加坡政府合作微调端侧诈骗检测模型

    Google DeepMind 与新加坡政府科技局(GovTech Singapore)合作,基于轻量级 Gemma 模型微调出一个保护隐私的端侧诈骗检测模型,并在 SICW 2026 上展示。

    推荐理由:原文披露了端侧反诈模型的两阶段流水线和数据隔离做法,可供关注隐私保护与端侧部署的团队参考。

  2. Google DeepMind82

    Google DeepMind 发布 Gemini 4 Argon 并说明安全防护措施

    Google DeepMind 开始广泛推送 Gemini 4 Argon,并同步扩大 Fairwind Program 的受信任网络安全防御者范围。该模型在 12 个端到端模拟网络攻击场景中全部通过,上一代为 5 个;在对抗测试集上违规请求减少近两倍。

    推荐理由:原文披露了 Gemini 4 Argon 在网络安全与生物风险上的防护分层,以及智能体越界监控的具体做法。

  3. Google DeepMind92

    Google DeepMind 发布 Gemini 4 Argon 模型

    Google DeepMind 发布前沿模型 Gemini 4 Argon,面向开发者、企业和科研人员开放,API 定价为每百万输入 token 2 美元、每百万输出 token 10 美元,缓存输入 token 享 95% 折扣。

    推荐理由:官方给出多领域基准排名、内部工程与科研落地案例和定价,可据此判断前沿模型在专业工作流中的位置。

  1. GitHub Blog · AI & ML60

    GitHub 推出基于 ModernBERT 的密钥检测分类器,将防护前移到 push 环节

    GitHub 发布与 Microsoft Applied Sciences 合作微调的 ModernBERT 分类器,用代码上下文识别无固定格式的密钥,候选批次评估耗时不到 2 毫秒,可将可拦截的密钥数量提升一倍以上。

    推荐理由:GitHub 用九个季度的数据说明密钥泄露压力来自代码量增长,并给出用分类器把防护前移到 push 环节的思路。

  1. Berkeley AI Research60

    从 CUDA 到 MLX:K-Search 如何把内核优化经验迁移到 Apple Silicon

    Berkeley Sky Lab 团队为 K-Search 演化式内核搜索框架新增 MLX 后端,并设计结构化 CUDA-to-MLX 翻译层,让搜索以现有 CUDA 内核为知识库生成 Apple Silicon 内核。

    推荐理由:作者把 CUDA 优化知识整理成结构化上下文,让演化搜索在 Apple Silicon 上接近专家内核水平,方法可迁移到其他硬件生态。

已经到底了