这篇探讨了AI如何帮助普通人成为分发节点，并分析了在不同城市应用AI的优势。
AI弥补人类经验智能缺失，人类弥补AI审查与身份缺失。在人口密集且意识低的城市应用AI。
如果ai能赋能普通人成为分发节点 那么杠杆应该在人口密集且意识低的城市 ai弥补人类缺失的经验智能 人类弥补ai缺失的审查与身份📊 3 ⚡
This report is categorized under AITOP's "Papers" desk. Key entities and technical topics under continuous tracking include AI赋能, 经验智能, 审查与身份, 城市应用.
Source attribution: curated from Yangyi (@Yangyixxxx).
龙岗区作为工业第一区全面押注AI，做产业规划或关注AI落地的从业者值得关注，看看地方政府如何用政策推动AI与实体经济结合。
军事科技从业者和AI爱好者值得关注——机器獒展示了无人装备从辅助工具向独立作战单元的演进，其智能化与体系化设计为未来战场提供了新思路。
浙江大学这个新基准专挑 VLM 的痛点测：场景变了，模型能不能推出空间关系怎么变。结果 21 个模型里最强的只拿到 58%，人类是 87%。做机器人、具身智能或视频方向的同学可以用它来量化自家模型到底差在哪。
arXiv上这篇论文解决了编码智能体记忆该存什么、什么时候用的问题。它把读写记忆的成本算进训练目标，在ChainSWE基准上让27B模型解决率从21.0%提到25.7%，还少走17%的步数。做智能体记忆或SWE agent的团队值得对比看看。
两帮人做 LLM 安全的可以看看这个：作者训练了两个开源模型，能从聊天里推断你的性别和年龄段，再用不可见字符藏进生成的文本里。你把 AI 写的邮件发出去，隐私就跟着泄露了。做内容安全和隐私合规的人应该认真评估这类风险。
这个基准把地理环境做成了会随时间变化的平台，智能体得主动查信息、验证旧结论还失效没失效。目前没有哪个前沿模型能全面搞定，做 Agent 评测和地理信息应用的开发者可以拿来测自己的方案。
