深度分析
Orbis 2 層次化世界模型：雙層預測架構提升自動駕駛長時域生成穩定性
現有駕駛世界模型多採單一抽象層級，難以兼顧長時域推理與高保真生成。Orbis 2 提出雙層預測架構：高層以壓縮 DINOv2 特徵預測長期場景，低層以 VAE 生成細緻畫面，並以擴散強制預訓練加教師強制微調。在 nuPlan、Waymo 等基準上，FVD、語意分割探測及轉向反應性均達業界最佳。
自動駕駛
深度分析
FSU‑QA 資料集與基準：評估自動駕駛前瞻視覺語言模型與世界模型
研究背景：視覺語言模型多聚焦於即時感知，忽略未來推測。核心做法：提出FSU‑QA資料集與FSU‑Bench基準，設計九項自駕前瞻任務，並以VLM評估World Model生成之未來影像之語意一致性。主要結果：即使是小型模型經FSU‑QA微調，也能超越多數大型閉源模型，顯示該基準有效提升前瞻推理能力。
深度分析
語意感知通用擾動 (SAUP) 攻擊多模態大語言模型決策鏈的安全風險分析
本研究指出單一擾動即可劫持多模態大語言模型的決策鏈，提出語意感知通用擾動（SAUP）並設計SORT優化演算法，以正規化空間與語意分離提升成功率，實驗在三模型上達到最高66%成功率。此攻擊可在自動駕駛與機器人視覺任務中導致連鎖錯誤，凸顯AI安全防護的急迫性。
速報
資料驅動最適控制（DDOC）：為自動駕駛動作規劃建立可信路線圖
自動駕駛的動作規劃存在可驗證安全與泛化能力的兩難。資料驅動最適控制（DDOC）融合最適控制理論與機器學習的自適應能力，提出定制化、動態適應、自我調整三大面向的實作路線圖，並指出未來四個研究方向以縮短實務差距，推動可信且類人化的自動駕駛落地。
特斯拉
特斯拉 Cybercab 開始量產：FSD 與 Hardware 3 硬體限制仍牽制擴張
特斯拉在奧斯汀展開Cybercab量產，馬斯克則放慢機器人叫車擴張步調。Cybercab為無方向盤、為自動駕駛而生的車款，倚賴未完成的無監督FSD與嚴格驗證流程；公司已向聯邦回報多起碰撞，產能與法規成為擴張瓶頸。馬斯克在財報會上也承認部分早期硬體無法支援無監督駕駛，量產曲線將緩慢上升。
Uber
Uber 與 Nuro 測試搭載 Nvidia Drive AGX Thor 的 Lucid Gravity 高階自動駕駛計程車
Uber 於舊金山讓員工測試搭載 Nuro 自駕系統的 Lucid Gravity SUV，車輛配備 Nvidia Drive AGX Thor、固態雷射雷達與高解析度相機，並由安全駕駛員備援。測試驗證自駕堆疊與乘客體驗，為年底公開發佈的高階機器人計程車做準備。