跳到正文
今天10月15日周四7 条
  1. The Verge · AI40

    Square 推出 Square Kiosk:可对话 AI 点单的自助终端

    Square 发布 Square Kiosk 自助点单终端,配备 21.5 英寸触摸屏和"智能体式对话语音层",可理解商家菜单并实时应答,顾客能像和店员说话一样提问、要求修改或替换。该设备支持存在检测迎宾、非接触支付和插卡,今日起以 1,999 美元面向 Square Plus 或 Premium 订阅商家发售,另收每台每月 99 美元软件费。

  2. Ars Technica · AI50

    Epic 称其 vibe coding 重写的新版 Epic Games Launcher 比 Steam 更快

    Epic 发布新版 Epic Games Launcher 的公开 "Preview" 版本,称其用 vibe coding 重写、比现有版本更快更灵敏,并采用全新外观。Epic Games Store 总经理 Martin Keely 表示团队从零开始,用 AI 编写和审查新功能,以更小团队重写代码库,支持 Windows 和 Mac,后续还将推出 Linux 版本。

  3. Google Research71

    Google 公开发布 Deep Review,用智能体审稿技术文档

    Google 宣布公开发布 Deep Review,一个面向复杂文档提供严格反馈与技术验证的智能体 AI 系统,最初用于计算机科学论文分析,现已扩展到法律、金融等领域。

    推荐理由:Google 公开了 Deep Review 的四阶段智能体审稿流程与免费额度,可据此判断自动审稿在自身工作流中的位置。

10月14日周三
  1. GitHub Blog · AI & ML36

    GitHub 如何用 ModernBERT 分类器实现更少噪声的密钥检测

    GitHub 用微调后的 ModernBERT 分类器替换原有 LLM 密钥检测流程,用户接受度提升 11.5%,推送后扫描执行时间中位数降低 86%,服务成本降低超 98%。该两阶段流程先用正则表达式生成候选,再由分类器结合文件路径、变量名和上下文判断是否为真实凭证,并将通用密钥检测扩展到推送保护阶段。

10月13日周二
10月9日周五
  1. NVIDIA Blog38

    NVIDIA Omniverse 如何用前沿 AI 智能体把想法变成仿真应用

    NVIDIA 开发者用前沿 AI 模型配合 Omniverse 库,通过自然语言指令构建仿真应用,文中示例使用 GPT-6 Astra 与 Claude Fable 5 智能体。其中传感器数字孪生项目由智能体在约三天内从零创建两个数字孪生并改进两个已有孪生;Robo Olympics 中 Unitree G1 人形机器人在 100 次仿真试验中有 64 次越过单个栏架。

10月8日周四
  1. GitHub Blog · AI & ML62

    GitHub 推出基于 ModernBERT 的密钥检测分类器,扩展推送保护

    GitHub 与 Microsoft Applied Sciences 合作训练了 ModernBERT 分类器,用代码上下文识别无固定格式的密钥,可在 2 毫秒内评估一批候选密钥,有望让可拦截的密钥数量翻倍以上。

    推荐理由:原文给出九季度密钥泄露数据与新型分类器的延迟和成本约束,读者可据此判断推送前拦截为何要换模型。

  2. Microsoft Research71

    微软开源 Agent Lightning v1.0:3500 行代码的轻量智能体 RL 框架

    微软研究院开源 Agent Lightning v1.0,一个约 3500 行代码的轻量智能体强化学习框架,提出 Harnessed Agentic RL 范式,让部署时使用的 agent harness 直接参与训练,无需在训练框架内重新实现智能体。

    推荐理由:微软开源 3500 行代码的智能体 RL 框架,读者可了解如何让部署用的 harness 直接参与训练。

9月25日周五
8月20日周四
  1. Mistral AI71

    Mistral 发布 Agentic Search,用多步检索循环提升复杂文档搜索准确率

    Mistral 发布 Agentic Search,作为检索层让模型在复杂文档中查找、阅读并核实信息,通过 Mistral Search Toolkit 和 Studio、Vibe 中的 Libraries 提供。

    推荐理由:原文给出多步检索循环在 FinanceBench 与 OfficeQA Pro 上的准确率、token 与延迟变化,可据此判断传统 RAG 的改进空间。