Skip to content

All updates

Today 24 items
Sep 6Sun
Sep 5Sat
  2. NVIDIA Developer Blog46

    基于 NVIDIA NemoClaw 构建记忆驱动型 AI 智能体Chinese

    开发者团队使用 NVIDIA NemoClaw 构建了一款记忆驱动型“幕僚长”（Chief of Staff）AI 智能体。针对企业工作中信息、决策、项目及职责随时间动态演变的痛点，该智能体通过维护一个被称为“自我模型”（self model）的人类可读知识层，为 AI 智能体提供持续的相关工作上下文记忆。

  3. NVIDIA Developer Blog24

    前沿推理走向边缘端：如何在 NVIDIA Jetson 上部署与优化模型Chinese

    NVIDIA 探讨了如何在边缘硬件 NVIDIA Jetson 上部署与优化推理及智能体 AI（agentic AI）模型。此前受模型体积限制，具备多步推理能力的模型难以在边缘端本地运行，开发者构建 AI 智能体时不得不依赖数据中心路由推理，面临网络依赖、高成本以及数据外泄风险；如今这一边缘部署限制正在解除。

Sep 4Fri
  1. NVIDIA Developer Blog35

    如何在联邦 Kubernetes 与 AI 平台间传递用户身份Chinese

    现代 AI 平台已演变为跨多集群与服务的复杂系统，用户需在中央门户、受管数据集、Notebook 及跨集群助手服务之间流转。在此类工作流中，用户身份持续跨越控制平面与数据平面的边界，使得传统的单点登录方案难以应对跨联邦 Kubernetes 与 AI 平台的身份传递需求。

  2. Azure Blog · 云基础设施28

    微软：企业 AI 转型依赖端到端平台，Azure 为此而建Chinese

    微软强调企业 AI 生产化落地依赖端到端平台，Azure 整合了算力基础设施、数据治理与 Agent 协同的全栈系统能力。微软入选 2026 Gartner 战略云平台服务魔力象限和 Q3 2026 Forrester Wave 公共云平台领导者。平台通过 Microsoft Foundry、Fabric 与 GitHub Copilot 等服务，支持企业在多模型选择中实现数据治理与架构现代化。

  3. Kubernetes Blog68

    Kubernetes v1.37 发布 DRA 动态资源分配多项更新Chinese

    Kubernetes 1.37 正式发布并更新了动态资源分配（DRA）功能，其中 DRA 扩展资源支持已晋升为 GA 稳定版。该机制允许 DRA 驱动直接响应传统 extended resource 请求（如 GPU），无需修改既有工作负载即可平滑迁移到底层 DRA 分配逻辑。

    Why it matters: 原文系统梳理了 DRA 扩展资源支持晋升 GA 以及 CEL 自定义匹配等多项改进，读者可据此评估现有 GPU 等异构硬件向 DRA 架构平滑迁移的可行性。

  4. Google Research35

    Google Research：欠代表人群基因预测中的迁移学习研究Chinese

    Google Research 评估了基于欧洲人群（UK Biobank）的多基因风险评分（PRS）向非欧洲人群（Biobank Japan 约 20 万样本）的迁移预测表现。研究覆盖 BMI、血压、血糖等 8 种临床性状。结果表明，当目标人群样本极小（如 5,000）时引入欧洲数据能提供增益，但当样本量达到 15k 及以上时，仅使用目标人群特异性数据训练的效果更好。

  5. Azure Blog · 云基础设施88

    OpenAI 前沿模型 GPT-6 Astra 正式在 Microsoft Foundry 全面可用Chinese

    OpenAI 最新前沿模型 GPT-6 Astra 正式在 Microsoft Foundry 全面可用（GA），主打面向复杂企业任务的多步规划、跨应用工具调用以及计算机使用（computer use）能力。

    Why it matters: 原文明确了前沿智能体模型在企业云端的部署形态与调用定价，有助于评估复杂跨应用自动化任务的落地成本与安全架构。

  7. Google Research79

    Google与合作机构发布雄性果蝇完整大脑连接组图谱Chinese

    Google Research 联合 HHMI Janelia 等机构在《Cell》发表成果，发布了包含超过 166,000 个神经元和 1.25 亿个突触连接的雄性果蝇完整大脑及中枢神经系统连接组图谱。

    Why it matters: 研究展示了如何利用AI从海量电镜图像中自动重建超16万神经元图谱，为神经科学与大规模连接组学研究提供了可复用技术路径。

Sep 3Thu
  1. Google DeepMind76

    Google DeepMind 发布全球天气预报 AI 模型 WeatherNext 3Chinese

    Google DeepMind 与 Google Research 联合发布全球天气预报 AI 模型 WeatherNext 3，支持逐小时刷新并将关键地表变量分辨率提升至 5 公里。

    Why it matters: 该模型直接结合实时卫星与地面观测数据实现逐小时高分辨率预报，展现了全球气象大模型在极端天气与清洁能源调度场景下的落地路径。

  2. Azure Blog · 云基础设施37

    微软物理安全工程团队如何借助 Azure Arc 与 Azure Virtual Desktop 扩展混合运维Chinese

    微软物理安全工程团队结合 Azure Arc 与 Azure Virtual Desktop 等服务，将其全球数据中心分布在数百个地点的数千台本地服务器统一接入 Azure 控制平面，实现了混合基础设施的集中治理与运维。借助 Azure Update Manager 与 Azure Monitor 等工具，团队实现了集中的补丁调度、合规监控与可观测性，每年通过自动化节省数千小时运维时间。

  3. Hugging Face68

    NeoMME 原生多模态编码器发布：260M 与 800M 单塔架构开源Chinese

    NeoMME 推出 260M 与 800M 原生多语言多模态编码器，采用单塔双向 Transformer 从头预训练，无需独立视觉塔或自回归解码器。微调版 NeoMME-Retriever 在单次前向传播中同时输出稠密与后期交互嵌入，在 ViDoRe v3 达到帕累托最优，并可在单张 NVIDIA L40S 上以每秒 51 页的速度编码 2048×2048 图像。

    Why it matters: 原文开源了单塔架构的多模态原生编码器与检索微调权重，读者可参考其在视觉文档检索与索引压缩上的落地实践。

  4. Hugging Face66

    利用 TRL 进行 100 步 GRPO 微调提升 350M 模型结构化输出能力Chinese

    Hugging Face 发布实践指南，展示在免费 GPU 上使用 TRL 库对 LFM2.5-350M 模型进行 100 步 GRPO 微调，将其在 IFStruct 基准上的得分从 22.6% 提升至 29.7%。

    Why it matters: 教程展示了仅用百步轻量强化学习提升端侧模型格式遵循的可行路径，为低成本专用小模型调优提供了落地参考。

  5. Hugging Face81

    Hugging Face 开源编码智能体持久化记忆层 funesChinese

    Hugging Face 开源了面向编码智能体的持久化记忆层工具 funes，支持将 Claude Code、Codex、pi、Hermes 等智能体的历史交互轨迹转化为可检索的记忆。

    Why it matters: 通过将智能体交互轨迹转化为可检索的结构化数据集，开发者可以在不同编码智能体和设备间保留历史决策背景与原始依据。

  6. Hugging Face72

    基于 TRL 与 OpenEnv 训练代码模型绘制水彩画的开源实践Chinese

    Hugging Face 工程师开源了基于 TRL 与 OpenEnv 的强化学习训练管线，复现了通过代码生成水彩画的方法。该方案采用 Qwen3.5-35B-A3B 编写约 150 行 p5.brush 的 JavaScript 代码，结合 HPSv3 美学评分模型与 Qwen3-VL 成对评判器构建主观审美奖励函数，利用 GRPO 强化学习引导模型对齐特定绘画风格。

    Why it matters: 原文完整开源了用强化学习引导代码模型绘制水彩画的工程管线，展示了如何将人工审美偏好构建为成对比较的奖励函数。

  7. Google DeepMind61

    Google DeepMind 推出 Fairwind 计划，面向政府与企业开放 Gemini 3.8 Flash Cyber 网络防御能力Chinese

    Google DeepMind 宣布启动面向政府及核心企业的 Fairwind 计划，开放最新网络安全模型 Gemini 3.8 Flash Cyber 与 CodeMender 框架。

    Why it matters: 原文介绍了结合专用模型与代码框架的漏洞自主修补方案，读者可以据此了解前沿模型在实际网络防御与补丁生成中的工程落地形态。

  8. Google DeepMind85

    Google DeepMind 发布 Gemini 3.8 Flash 与 3.8 Flash CyberChinese

    Google DeepMind 推出 Gemini 3.8 Flash 与专用于网络安全的 Gemini 3.8 Flash Cyber 两款新模型，主打长程编程、智能体工作流与漏洞自动修复能力，保持与 3.7 Flash 相同的定价（输入 $0.75 / M tokens，输出 $3.75 / M tokens）。

    Why it matters: 原文给出了两款模型的基准数据与定价细节，开发者可以据此评估其在长程编码与安全防御场景中的落地可行性。

  10. Azure Blog · 云基础设施56

    微软解析企业级 AI 智能体上下文工程与成本优化策略Chinese

    微软在 Azure 博客中阐述了企业级 AI 智能体的上下文工程体系，通过精准控制每轮交互输入上下文来降低推理成本并提高回答质量。方案涵盖由 Foundry IQ 支撑的知识检索层、统一管理 MCP 等接口并减少约 97% 输入 Token 消耗的工具搜索机制、按需加载的中心化技能库，以及支持会话、用户和流程的三级记忆架构，帮助企业智能体在实际运行中持续沉淀工作流并提升任务完成率。

Sep 2Wed
  2. Google Infrastructure64

    Google 达成合作在西弗吉尼亚州引入长时储能项目Chinese

    Google 宣布与 MN8 Energy 及 Eos Energy Enterprises 合作，在 PJM 电网支持多技术清洁能源项目，为西弗吉尼亚州规划中的 Google 设施等本地数字基础设施供电。该项目将公用事业级光伏与短时锂离子电池以及 Eos 制造的锌混合长时储能电池相结合，以提升全天候清洁电力供应能力并增强电网稳定性。

    Why it matters: 原文介绍了结合太阳能、锂电池与锌混合长时储能为设施供电的方案，读者可借此了解数据中心全天候清洁能源的新供电模式。

  3. Engineering at Meta71

    Meta 介绍组织级第二大脑：构建从专家反馈中持续学习的 AI Agent 架构Chinese

    Meta 工程团队介绍了用于合规等高专业度领域的“组织第二大脑”AI Agent 架构，将领域知识与推理步骤解耦，并在无需微调模型的前提下将专家反馈自动编译为可验证的知识库更新。系统由结构化文件知识库、可组合的推理配方（Recipes）以及自动化自我改进闭环组成，使每次人工修正通过回归测试转化为永久沉淀；落地实践将单次评估时间从数天缩短至数分钟，且单轮 token 消耗降低约 80%。

    Why it matters: 原文展示了无需微调即可将专家反馈编译为版本化知识文件的自进化 Agent 架构，为企业沉淀领域专业知识提供了可落地的工程范式。

  4. Vertiv 官方新闻81

    Vertiv 宣布以约 14.5 亿美元收购微电网方案商 UIGChinese

    Vertiv 宣布达成协议以约 14.5 亿美元现金收购微电网解决方案商 UIG，并包含最高 11.5 亿美元的后续业绩对价。该交易将 Vertiv 的电力与散热产品组合延伸至电网互联与现场发电端，增加微电网控制和表后电力架构能力，以帮助 AI 数据中心在电网受限背景下加快通电速度。交易预计于 2026 年第四季度完成。

    Why it matters: 通过将微电网控制与表后电力架构纳入产品组合，该交易展示了基建厂商如何应对 AI 算力部署中的电网接入瓶颈。

  5. Hugging Face64

    AllenAI 推出 BenchMIRT：基于多维项目反应理论审计 LLM 基准测试Chinese

    AllenAI 推出 BenchMIRT 评估方法，利用多维项目反应理论在单题层级审计 LLM 基准测试实际衡量的潜在能力，并开源了代码、数据与技术报告。该方法分析了 100 个大模型在 16 个基准中超过 34K 道题目的表现，独立分离出安全性和通用推理两大主维度，发现 BBQ 与 WMDP 等传统安全基准的得分受通用推理能力影响更显著。

    Why it matters: 该方法引入多维项目反应理论拆解评测题目实际测量的能力维度，有助于研究者诊断基准中的混杂信号并精简测试集。

  7. Google Research62

    Google 联合 NASA JPL 推出 MAPL-EMIT：利用深度学习从太空监测全球甲烷排放Chinese

    Google 联合 NASA JPL 提出基于 Swin-S Vision Transformer 的深度学习框架 MAPL-EMIT，用于自动化检测、量化并定位太空高光谱卫星数据中的甲烷羽流。

    Why it matters: 研究展示了如何利用物理仿真训练视觉模型解析太空高光谱遥感数据，为大范围环境监测提供了自动化工具。

  8. Google DeepMind79

    Google DeepMind 为 Gemini 推出智能体视频理解功能Chinese

    Google DeepMind 为 Gemini 3.7 Flash、3.6 Flash 和 3.5 Flash-Lite 推出智能体视频理解（agentic video understanding）功能，可将 token 消耗降低最高 88%、成本降低最高 66%，并将准确率提升最高 7%。

    Why it matters: 原文展示了模型通过主动调用工具按需动态分析视频的机制，为长视频处理的成本与精度优化提供了具体参考。

  10. Google AI76

    Google 推出图像生成与编辑工具 Google Pics 并深度整合至 WorkspaceChinese

    Google 推出基于 Nano Banana 模型的图像创作与编辑工具 Google Pics，面向 Google AI Pro、Ultra 订阅用户及多数 Workspace 商业客户开放。该工具支持独立使用并直接整合至 Docs、Slides 和 Drive，具备物体分割局部修改、图内文字编辑与翻译、单提示词多图生成以及多人协作能力。用户可通过 pics.new 体验相关功能。

    Why it matters: 该工具直接嵌入文档与演示文稿工作流，为办公场景下的局部图像微调与图内文案修改提供了开箱即用的协作方案。

Sep 1Tue
  3. AWS Architecture78

    MCP 核心转为无状态架构：AWS 部署最佳实践与迁移指南Chinese

    MCP 规范发布了无状态核心重大修订，取消了初始化握手与会话头（Mcp-Session-Id），使远程 MCP 服务全面适配无状态与 Serverless 架构。

    Why it matters: 文章详细对比了 MCP 无状态核心规范与旧版架构差异，为 AWS 上的 MCP 服务迁移与成本优化提供了清晰的工程指引。

  4. 腾讯混元 公众号73

    腾讯混元发布 Hy4 preview 轻量量化版，模型权重从 1.5TB 压缩至 214GBChinese

    腾讯混元团队推出 Hy4 preview 轻量量化版本，通过自研 Sherry 稀疏三值量化算法与 MIX-STQ1_0 逐层混合精度策略，将模型权重从接近 1.5TB 压缩至约 214GB。

    Why it matters: 原文详述了自研三值量化与混合精度策略，为超大参数模型在有限与异构硬件上的本地推理提供了可迁移的工程参考。

  5. Hugging Face73

    Hugging Face 推出 @huggingface/kernels 与 200+ WebGPU 算子库Chinese

    Hugging Face 推出 @huggingface/kernels 库及首批 207 个 WebGPU 算子，旨在加速浏览器端本地 AI 推理。每个算子以独立版本化仓库发布在 Hub 上，包含接口契约、WGSL 着色器模板、正确性与基准测试用例，并同步推出了浏览器端基准测试工具 Fleet 以众包真实硬件数据。

    Why it matters: Hugging Face 将 WebGPU 算子模块化管理并提供众包基准测试，有助于开发者提升端侧浏览器 AI 推理性能。

  6. AWS News · 云基础设施71

    基于 AWS Graviton5 处理器的 Amazon EC2 R9g 与 R9gd 实例正式全面可用Chinese

    AWS 宣布基于自研 Graviton5 处理器的 Amazon EC2 R9g 和 R9gd 内存优化型实例正式全面可用。新实例单 vCPU 计算性能较 Graviton4 提升高达 25%，搭载 DDR5 8800 MT/s 内存与 5 倍 L3 缓存，最大规格提供 100 Gbps 网络和 72 Gbps EBS 带宽，R9gd 还附带本地 NVMe SSD 存储。

    Why it matters: 原文详细给出了基于Graviton5实例的硬件提升与完整规格表，便于读者评估内存型工作负载的云上迁移成本与性能增益。

  7. Google Research71

    Google 推出多变量时间序列基础模型 TimesFM-3Chinese

    Google 推出 330M 参数的时间序列基础模型 TimesFM-3，原生支持多变量零样本预测并实现单次前向传播输出全预测区间。该模型在超过 1 万亿时间点的数据集上预训练，采用交替因果时序与全变量注意力架构，支持多目标联合预测以及历史和未来协变量。目前该模型已在 GitHub 和 Hugging Face 上线，后续还将接入 BigQuery。

    Why it matters: 原文展示了结合交替注意力与非自回归单次前向传播的多变量预测架构，有助于读者了解时间序列基础模型的最新演进。

  8. NVIDIA Developer Blog22

    在 Claude Science 中运行 NVIDIA BioNeMo NIM 微服务进行蛋白质结构预测Chinese

    Claude Science 支持运行 NVIDIA BioNeMo NIM 微服务，用于蛋白质结构预测任务。智能体 AI 正在重塑科研工作流，AI 科学家已能够阅读论文、提出假说、调用模型并决定实验优先级。继编程智能体完成代码编写与测试后，科研智能体正进一步应对要求更高、更注重持续迭代的科学研究场景。