Google Research 联合 DeepMind 等团队推出 SensorFM，一个基于 ViT-1D 掩码自编码器架构的可穿戴健康基础模型。模型在超过 1 万亿分钟来自 500 万参与者的未标注传感器信号上预训练。实验对比 4 种模型规模和 4 种数据量，发现当模型容量超过数据量时性能仍可提升。使用冻结嵌入加 PCA-50 线性探针，在 35 个健康任务中的 34 个上超过了传统特征工程基线。团队还通过 agentic 教室搜索了 30,516 个预测头，并进行了临床评估以验证个人健康智能体。
gspDAG-FL提出了一种去中心化联邦学习框架，利用Gossip协议中的历史消息达成共识，无需中央服务器或区块链。全节点通过收集事件证书和接受性证明，构建紧凑拓扑有向无环图（DAG），并运行Hashgraph风格的虚拟投票实现最终性。该框架在MNIST分类和Penn Treebank语言建模任务上测试，网络规模N=100，学习质量接近验证型账本FL，同时减少了协调瓶颈并提高了吞吐量，在混合拜占庭和懒惰节点参与下保持了高无效来源检测率。
ARDY 是一个流式生成框架，采用混合表示（显式根特征与潜在身体嵌入）和两阶段自回归变压器去噪器，支持在线文本提示和灵活的运动学约束。在 HumanML3D 基准和 Bones Rigplay 数据集上的评估显示，其运动质量和约束遵循度高。通过交互式演示展示动态文本控制、关键帧姿势约束、路径跟随和鼠标键盘运动控制。代码和模型已发布。
LMSYS 发布博客，介绍 DeepSeek-V4 Flash RL 在 AMD Instinct MI355X GPU 上使用 Miles 框架完成端到端训练。训练100+步后，log-prob gap 稳定在0.09，AIME-2024 pass@1 从0.39提升至0.49，pass@8 从0.53提升至0.67。采用 FP8 推演加 BF16 演员模型，支持数据类型感知在线权重更新。在 ROCm 上实现了稳定的 TP1/PP4/EP4 布局，无集体通信停顿。混合注意力、mHC 混合和哈希路由 MoE 在 SGLang 和 Megatron 引擎间保持一致。
MosiAI 团队开源 MOSS-Transcribe-Diarize-0.9B，仅 0.9B 参数，基于 Whisper-Medium 编码器和 Qwen3-0.6B 风格解码器。模型支持 128K 上下文，可一次性处理约 90 分钟长音频。输出直接包含时间戳和说话人标签，无需分块或单独说话人分离。还支持热词提升，用于人名、领域术语和代码切换场景。SGLang 已提供 Day-0 支持，可立即运行。
Google DeepMind在I/O大会上展示了Project Genie研究原型，利用Google Maps Street View数据作为基础，用户可通过文本提示或真实地点生成并探索360度交互式虚拟环境。该模型解决了“空白空间”问题，基于用户动作和世界描述逐帧预测后续画面，实现动态场景模拟。例如可模拟游过海洋或登上山顶的体验，标志着交互式媒体和模拟管道的重大转变。
ChatGPT Work 使用操作系统原生隔离机制（macOS Seatbelt/Windows Sandbox）和内置浏览器，Claude Cowork 则运行本地 Linux 虚拟机沙箱。两者都支持 Computer Use 控制电脑，但 ChatGPT Work 的 Computer Use 可在后台操作其他应用，而 Cowork 的 Computer Use 仍处于研究预览阶段，通过扩展或桌面端操作。应用连接上，ChatGPT Work 有 60 多个 plugins 连接器，Cowork 使用 MCP 协议和 11 个官方行业插件。跨设备方面，Claude Cowork 从 7 月起支持桌面、网页、手机端任务同步，而 ChatGPT Work 云端和桌面端目前割裂。
Anthropic 旗下 Claude Code 桌面版新增内置浏览器功能，支持读取、点击并与网站交互。该浏览器使用独立配置文件，与用户个人浏览器隔离，不共享登录状态或浏览历史。Anthropic 表示此功能适合构建和测试应用或访问无需登录的网站。Claude Code 是面向桌面端开发与调试的代码工具，可查看文档、设计稿或测试网页行为。
中科曙光于7月10日宣布我国首个全国产10万卡AI超算集群“曙光8000（登峰）”落成，并接入国家超算互联网。该集群采用超智融合技术，支持FP64到INT8全精度，可覆盖科学计算、大模型训练、AI推理、工业仿真等场景。系统使用海光等国产芯片、scaleFabric网络和ParaStor存储，实现全链路自研。集群采用浸没式相变液冷技术，可支撑单机柜MW级高功率密度部署。曙光还与北京科学智能研究院合作启动第二套十万卡超智融合算力系统研制。
Perplexity 宣布 Grok 4.5 作为 Computer 的编排模型，面向 Pro 和 Max 订阅用户可用。在 WANDR 基准上，Grok 4.5 的得分高于五个其他编排配置。其成本约为 Opus 4.8 的一半。该更新旨在提升 AI 电脑的自动化任务能力。
Henry Schein One基于Amazon SageMaker AI构建了Image Verify系统，实时评估牙科X光质量。系统在数月内从概念扩展到超过10,000个活跃地点。已处理超过1,100万张X光片，并以每周150万张的速度增长。目标是将规模扩展至全球四个区域的40,000个地点。
JEDEC的MRDIMM架构被英特尔至强6（Granite Rapids）和AMD Zen 6 EPYC采用。第一代MRDIMM速率8800 MT/s，比标准DDR5 RDIMM的6400 MT/s提升37.5%。第二代目标12800 MT/s，第三代预计2030年达17600 MT/s，接近DDR6三倍。现有DDR5插槽兼容，无需等待DDR6标准落地。
以色列研究团队发现名为 HalluSquatting 的 AI 漏洞，利用模型幻觉生成虚假代码仓库地址。Claude 等智能体在陌生项目名称上幻觉率最高达 85%，2025 年新仓库地址错误率 92.4%。在 OpenClaw 及其变体上攻击成功率达 80%-100%，Cursor、Gemini CLI、Copilot 为 20%-35%。攻击者可诱导智能体下载恶意代码，引发数据窃取或挖矿。
OpenAI宣布将其Bio Bug Bounty项目升级为持续的私人悬赏计划，并翻倍奖励至5万美元。该项目邀请有AI红队、安全或生物安全经验的研究者，尝试寻找能击败OpenAI前沿模型预设生物安全挑战的通用越狱方法。这是OpenAI强化生物领域高级AI能力安全防护的一部分。
OpenAI Build Week 将于下周一（7月13日）启动，官方举办两场直播帮助开发者上手。第一场直播在7月13日上午10点（太平洋时间），将进行黑客马拉松概述，并现场演示 Codex 和 GPT-5.6 的实际应用。参与者可从中了解如何选择构建项目。
论文构造了光滑得分场，其正向边缘L^2误差任意小，但Euler-Maruyama离散化后所有正阶矩发散。虽然路径空间总变差距离可以任意接近精确反向过程，但每个Wasserstein距离W_p (p≥1)发散。在固定有限神经架构（如DiT风格网络）中，同样存在一族有界全局Lipschitz去噪器，其正向边缘误差和路径总变差趋于零，但Euler-Maruyama端点所有W_p发散。对于紧支撑数据，将去噪器投影到包含支撑的已知有界闭凸集上可保持点态精度并给出格点一致矩界，实验显示此投影能抑制罕见数值轨迹的异常增长。
葡萄牙国家语言模型AMALIA（9B参数）在标注道德基础“权威”时，与人类编码者一致性达与8-13倍大小模型相差6个F1点。但通过“恢复间隙”方法发现，分解提示后AMALIA仅恢复约一半性能，错误分析显示它依赖表面相关捷径（如对权威人物的道德愤怒）。多语言开源模型在相同葡萄牙语语料库上能缩小此差距，表明问题不在语料库本身。研究认为主权LLM基准应测试证据路线而非仅一致性。
窄带干扰（NBI）会严重破坏OFDM系统的子载波，传统压缩感知方法存在高顺序延迟和非高斯残差。新框架NBI-CNet采用物理信息卷积架构，一步完成多音干扰估计与消除，计算复杂度相比EOMP-IDS算法降低60%（N=2048, Q=64）。LLR-CNet将非高斯后处理残差映射为校准的软度量，消除传统基线在密集栅格中的错误平层。在SIR=-10dB的严重干扰下，目标BLER=10^-4时，框架的SNR裕度仅比最优迭代基线高0.2-0.5dB；在SIR=10dB、Q=12的轻度干扰下，编码增益超过3dB。该架构还能规避由干扰估计误差触发的2×10^-4错误平层，且无需重训练即可泛化到任意FFT尺寸。
Latent Memory Palace (LMP) 方法提出将控制策略的推理形式化为自回归变分推断，通过组织信息于潜在记忆宫殿实现自适应迭代检索。该方法推导出潜在空间强化学习技术以优化变分下界，得到策略 LMP-π 在仿真和真实场景中表现优异，并展示可解释的测试时计算分配。LMP-tok 作为变长动作分词器，显著提升了自回归策略的性能。论文提供了通过变分推断视角进行潜在推理控制的新观点。
该论文提出了正确性一致性（correctness agreement）指标，用于衡量基础模型与量化变体在正确预测上的重叠程度。在8-bit至2-bit的多种量化方案下，发现即使任务性能看似保持，中等量化也会导致行为分歧。分析表明查询和键投影的敏感性高于值和输出投影，揭示了低比特宽度的非线性断点。这些发现指出仅依赖准确率和困惑度会掩盖量化的真实影响。
该方案使用Stardog的语义AI应用连接Amazon Aurora和Amazon Redshift，通过Amazon Bedrock AgentCore的Agent服务进行查询，无需ETL即可整合客户360数据。Stardog部署可运行在Amazon EKS、ECS和Lambda等AWS计算服务上。AgentCore将身份验证、托管和工具凭证整合为单一托管服务，简化了开发流程。
Unsloth量化的模型可通过四种模式在AWS部署：直接使用Amazon EC2实例、托管SageMaker AI推理端点、以及集成Amazon EKS或Amazon ECS容器编排。文章详细介绍了每种模式的配置步骤和适用场景。还涵盖了生产环境中的运维最佳实践，如自动扩缩容和监控。
本文介绍如何围绕DeepAnalyze-8B模型构建一个自主数据科学代理，并运行端到端流程。首先准备稳定的Colab运行时环境，安装机器学习依赖，并以4位量化模式加载分词器和模型以适配T4 GPU的有限显存。然后添加沙盒执行环境，让模型生成Python代码并安全运行、观察结果，形成智能体循环。最后将代理应用于一个多文件电商工作区，自动完成数据清洗、连接、分析、可视化和生成分析师级报告的全部步骤。
本文介绍NVIDIA Nemotron 3架构的特点，并详细演示如何通过Amazon SageMaker AI的无服务器定制功能进行微调。步骤涵盖在SageMaker Studio中配置环境、加载Nemotron 3模型、调整超参数并启动训练。该方法无需管理服务器资源，支持高效迭代模型。
本教程展示了如何在Amazon SageMaker HyperPod上使用vLLM实现DPD（分离预填充和解码）。DPD通过将预填充阶段和解码阶段分别部署在不同的计算节点上，显著降低了推理延迟。文中提供了使用HyperPod推理操作符的具体配置步骤和性能对比数据。该方法适用于需要低延迟响应的LLM推理场景。