该论文提出LiL-Q方法，通过Bellman-Kalaba拟线性化将非线性PDE转化为一系列线性子问题，每个子问题用线性可学习表示（LiL）离散化并直接通过QR分解求解。LiL表示包括随机特征极限学习机、谱多项式基和三角展开，实现为物理信息神经网络（PINNs）。在7个基准测试（Bratu、粘性Burgers、Buckley-Leverett、平面应变弹性、2D/3D不可压缩Navier-Stokes、异质渗透率Darcy流）上，LiL-Q通常在个位数外部迭代内收敛，参数数量比现有PINN求解器少两个数量级时仍能达到或超越其精度。当精确解在试验空间内时，单次求解即可恢复至机器精度。
PearlVLA提出一种将动作规划调度到VLM潜在空间的新框架，通过将元查询表示分为视觉定位分支和迭代潜在规划分支，利用冻结的潜在世界模型生成未来观测，并经过K轮细化后并行解码动作块。在LIBERO基准上，PearlVLA达到了现有方法中的最佳性能，证明了潜在空间推理在降低延迟的同时提升规划质量的有效性。
Qwen-RobotManip是基于Qwen-VL构建的视觉-语言-动作基础模型。它引入统一对齐框架，覆盖表示、运动和操作行为三个维度，使多源训练数据协调一致。通过人工到机器人的合成流水线，利用15种平台的示教数据，构建了约38,100小时的预训练语料。模型在RoboCasa365、LIBERO-Plus、EBench等OOD基准上显著优于先前最佳模型π0.5，并在AgileX ALOHA、Franka、UR、ARX等真实机器人平台上验证。
DecoSearch是一个无需训练的Text-to-SQL框架，通过轻量级Schema Selector修剪数据库模式，LLM Judger判断查询是否需要分解为DAG子问题。在BIRD上达到70.53%执行准确率，在Spider上达88.31%，使用DeepSeek作为骨干模型，比训练无关基线消耗少一个数量级的token。该方法还可作为模型无关包装器，一致提升微调后的SQL生成骨干性能。
NVIDIA联合CMU和伯克利推出ENPIRE系统，让AI智能体完全自主控制真实机器人循环，包括重置环境、搜索文献、实现想法、训练部署、自我验证等步骤。该系统在整理别针、安装GPU、绑扎带等灵巧任务上达到99%成功率。机器人通过自提出启发式成功信号进行爬坡优化，无需人类介入。
ENPIRE赋予8个Codex智能体机器人集群和GPU资源，自主完成高精度物理任务。系统能独立绑扎带、整理细针、安装GPU。实验显示8台机器人并行探索比少量效率显著提升。NVIDIA GEAR实验室已实现机器人彻夜自主改进。团队计划开源全部代码。
Amazon Bedrock AgentCore新增多项能力，支持连接组织、网页和付费知识源，扩展智能体的知识范围。新工具帮助团队在生产环境中定位和修复问题，并实施随智能体能力提升自动扩展的控制机制。这些功能使开发者能更快构建更强大的智能体，并以规模化方式治理和持续改进。
Exa 发布 Exa Agent，一款托管式 Web Research Agent API，将前沿模型与自研搜索工具链打包成单一接口。系统采用任务分解与并行子 Agent 架构，适合 WideSearch 类大规模数据集调研。其 Model Fusion 技术根据任务动态混合使用高性能模型与性价比模型以优化成本。Exa Highlights 模型可将 token 用量最高削减 94%。在 WideSearch 基准上，Exa Agent 以 Row-F1 指标与 Perplexity Agent Pro、Opus 4.8 等对比，达到成本效率 Pareto 前沿。
Snap 今日发布首款面向普通消费者的独立式 AR 眼镜 Specs，售价 2195 美元（约 14864 元人民币）。眼镜采用自研 LCoS 显示技术，拥有 51 度视场角和 1600 万色显示。镜片支持电致变色，可在 10 秒内从透明切换至墨镜模式。设备内置两颗高通骁龙处理器，无需外接计算单元即可独立运行。续航在混合使用场景下约 4 小时，充电盒可扩展至 20 小时。
微软宣布 Copilot Cowork 正式全面可用，支持多模型和长期运行代理。为应对 Agent 场景下 token 消耗剧增的问题，计划引入 Azure 托管的 DeepSeek V4 作为低成本选项，按算力/用量计费，取代包月无限用模式。正在测试微调版 DeepSeek V4，作为 Anthropic/OpenAI 模型的替代，预计数周内公布最终选择。该模型可选非强制，数据不出微软云，符合现有安全与合规体系。
英伟达与Coherent在得州Sherman为扩建工厂奠基，聚焦6英寸磷化铟晶圆和光互连产能，支撑AI数据在机架间以光速传输。黄仁勋在仪式上表示AI是终极通用技术，并指出Vera Rubin Ultra NVL576系统需依赖硅光技术实现576个GPU跨8个机架协同工作。Coherent获得5000万美元CHIPS Act拨款及得州和当地约1700万美元支持，项目满产后预计带来550多个直接岗位。
三星宣布通过数据共享生态平台DSEP，目标到2030年实现无人晶圆厂。该平台向设备供应商共享实时工艺数据，汇集数据供AI模型分析决策，首批设备供应商已签约。三星同时建设高性能计算HPC平台为DSEP提供算力，希望降低人力依赖。此举旨在削弱近期劳资博弈中工会的谈判筹码，此前三星与工会达成2026-2028年经营利润超200万亿韩元时工人可获10.5%特别绩效奖金的协议。
SpaceX以全股票交易收购Cursor AI，旨在构建全球最有用的AI模型。过去几个月，SpaceXAI与Cursor已联合训练一个模型。该模型将发布在Cursor和Grok Build中。合作将推动Cursor能力显著提升。
Anthropic 于 5 月 13 日宣布，Claude Agent SDK（包括通过第三方应用及 'claude -p' 调用）的计费方式将从标准订阅调整为按 API Token 用量计费，原定 6 月 15 日生效。开发者 Matthew Diakonov 分析，若以 Opus 模型作为主编码助手，第一周就会超过盈亏平衡点。代码编辑器 Zed 团队也警告用户这是一次“重大成本增加”。Anthropic 于 6 月 15 日更新支持页面，宣布暂停该变更，并表示目前没有任何变化。
美国政府以国家安全和越狱漏洞为由，强制Anthropic关闭Fable 5和Mythos 5模型。指令仅基于口头证据，未提供具体技术细节。Anthropic声称该漏洞很窄，且GPT-5.5也能实现相同功能。同时禁止所有外国人访问，包括Anthropic的外籍员工。此事发生在Anthropic拒绝与五角大楼签订军事监控合同四个月之后。
该研究分析了高斯过程（GP）后验采样中释放样本路径的差分隐私（DP）性质。与标准DP机制不同，后验采样的内在随机性可提供隐私保证。作者推导了显式的Rényi-DP界限，将隐私泄露分解为后验均值依赖和后验协方差依赖部分，并指出有效岭正则化对隐私有显著影响。通过成员推理攻击实验，验证了隐私泄露与正则化强度、后验方差及释放样本路径数量之间的预测关系。在噪声观测任务中，隐私兼容的正则化在保持有用决策的同时仅带来适度效用损失。
这篇论文提出用向后Kolmogorov方程将扩散策略提升至Cameron-Martin空间，以确定性PDE替代随机分数匹配。在PushT操作基准上，Cameron-Martin损失使最大回合奖励提升17%（0.95 vs 0.78），推理时步间漂移降低67.6%。在6站CONWIP制造线上，RMSE较LSTM降低28.4%，饥饿事件召回率达1.0，瓶颈识别Precision@1=1.0，信噪比13倍。结合Hamilton-Jacobi可达性理论，死锁事件减少96%（351次预防）。方法提供收敛保证、轨迹规整性和无奖励信号的故障检测。
这篇论文研究了Transformer中注意力机制的函数等价性，重点分析了sinusoidal和旋转位置编码（RoPE）两种变体。作者发现sinusoidal编码保留了普通注意力的等价结构，而RoPE显著减小了对称群，从而增强了表达力。这一发现为RoPE在实践中的流行提供了理论解释。论文还讨论了位置编码如何影响线性模式连接性，并通过对齐算法证明连接性的存在和变化关键依赖于位置编码。实验表明使用RoPE的Transformer在参数空间具有更少的函数等价性，有助于优化和泛化。
现有大模型遗忘方法（如GradDiff、NPO、SimNPO、RMU、UNDIAL）易被微调或少样本提示逆转，表明确实只是浅层遗忘。RepSelect通过每次更新前崩塌权重梯度的主成分，隔离遗忘集特定的表示，保持通用能力不受影响。在生物危害知识和虐待倾向两个遗忘类别上，对Llama 3、Qwen 3.5、Gemma 4 E4B、DeepSeek V2 Lite四个模型族评估，RepSelect后学习准确率降低幅度是最好基线的4-50倍，且对少样本提示攻击接近完全鲁棒。
Looped World Models（LoopWM）首次将循环架构引入世界建模，通过参数共享的transformer块迭代细化潜在环境状态。相比传统方法，LoopWM在参数效率上提升多达100倍，并能根据预测复杂度自动调整计算深度。该方法将迭代潜在深度确立为世界仿真的新扩展轴，独立于模型规模和训练数据规模。
本文通过xFormers实现GPU上内存高效的Transformer模型。对比标准注意力实现，验证了内存高效注意力在不同序列长度下的速度和内存表现。教程涵盖因果掩码、打包变长序列（packed sequences）、分组查询注意力（GQA）以及自定义ALiBi偏置。最后将上述技术结合SwiGLU层和自动混合精度训练，构建了一个可训练的GPT风格模型。
Amazon Bedrock Guardrails 推出了 InvokeGuardrailChecks API，允许在代理式AI应用的任意阶段独立应用安全检查，无需预先创建护栏资源。该API支持内容过滤、敏感词检测等安全策略。开发者可以将其集成到多轮对话流程中，动态检查用户输入和模型输出，保障应用安全。文章提供了Python代码示例，演示如何调用此API实现安全守护。
本文介绍如何利用Amazon SageMaker AI中的P-EAGLE方法并行化推测解码，加速生成式AI推理。用户可从SageMaker JumpStart目录中选择兼容模型，并配置并行草稿生成参数。通过部署优化的实时SageMaker AI端点，可显著降低推理延迟。P-EAGLE基于EAGLE框架，支持多头并行推测，适用于Llama等主流模型。