速報
Laguna M.1 與 XS.2：Model Factory 打造的長程 Mixture-of-Experts 程式碼基礎模型
ArXiv發表LagunaM.1與LagunaXS.2，兩款為長程代理式編碼設計的MoE基礎模型。作者說明在稱為ModelFactory的系統中從頭訓練與量化；M.1與XS.2在軟體工程與終端機基準上與同級開源模型相當，XS.2權重已以Apache2.0釋出。
速報
速報
Soro：為塔吉克語優化的對話式大型語言模型，量化後助力教育邊緣部署
研究聚焦塔吉克語在受限運算與連線下的部署。採用開放權重Gemma3為基礎，對1.9億字語料進行持續預訓，並以40000條教師式示例做監督微調。團隊同時建立並公開塔吉克語評測集。結果顯示Soro在塔吉克語基準上超越同尺寸基線，且FP8與INT4量化在降低記憶需求下仍保留語言進步，利於教育場域邊緣部署。
速報
ClickHouse年化營收衝破2.5億美元，快速擴張並朝IPO軌道前進
資料庫供應商ClickHouse宣稱年化營收已達2.5億美元，較去年成長三倍，並預期年底營收可望上看高九位數。公司以開放原始碼資料庫為基礎，透過雲端託管服務替企業處理人工智慧代理所需的大規模資料集，主打商業化服務低於自行維運的成本。
速報
中國收緊人工智慧人才管制：頂尖研究者出國須政府核准
中國正加強對頂尖人工智慧研究者的出國管制，並限制外資流入。被限制者需申請政府核准才可出國，並對接受美國資金的科技公司設置審查。此舉伴隨對關鍵原料與境內資料中心晶片部署的出口與部署管制，可能改變國際AI競爭與人才流動。斯坦福指標顯示中美模型差距持續縮小，競爭程度升高。
速報
Google把AI答案放上搜尋前台，SEO遊戲規則被改寫
Google在I/O宣布人工智慧生成答案成為搜尋主景，傳統以十條藍色連結為核心的SEO規則因此改變。AI會整合來源並以摘要呈現，品牌對於被如何描述的可見性下降。Scrunch表示，行銷與創辦人應調整策略，強化可引用的原始內容與來源透明度，以維持流量與認知。
速報
Cognition以自主AI工程師Devin募得逾$1 billion，前估值達$25 billion
Cognition以名為Devin的自主AI軟體工程師完成逾$1 billion募資，前估值達$25 billion。公司主打企業級自動化程式碼產出與維護，宣稱企業採用快速上升並推升營收動能。此輪由Lux Capital、General Catalyst與8VC領投，既有與新投資者同時加入，反映資本市場對獨立AI編碼新創仍有高度下注。
速報
MinT（MindLab Toolkit）：管理化 LoRA 適配器平台，為百萬級策略目錄提供訓練與線上部署
研究在於為大量衍生策略提供管理化部署.MinT保留巨型基礎模型常駐，讓LoRA適配器在rollout與回滾間流轉並隱藏分散式訓練.透過ScaleUp、ScaleDown與ScaleOut三軸擴展，支援密集與MoE架構並優化載入效率.能管理百萬級策略目錄並加速適配器載入與多策略併發服務.
速報
後訓練讓大型語言模型變得不那麼「像人」：Psych-201 行為對齊研究
研究指出，為了把基礎模型變成實用助理的後訓練過程，會普遍降低模型與人類行為的一致性。作者建構Psych-201資料集，橫向比較不同家族與尺寸的模型，發現後訓練後的偏離更大；用以模擬個體的角色條件化也無法改善個體層級的預測。且在更新世代中，儘管基礎模型持續改進，這種偏離仍擴大。
速報
RAG 文件前處理大檢視：PDF→Markdown 框架誰決定問答準確度？
研究指出PDF前處理決定RAG問答表現。比較四種PDF→Markdown工具與21種管線，測試含清理、切分與metadata強化。以36份葡文行政文件和50題基準評估，Docling配合階層切分與圖像描述獲得最高94.1%準確率，metadata與層次切分對效能貢獻最大。
速報
最後層表示揭露：單樣本 MIA 曝光度評估與槓桿分解
近期隱私研究指出樣本定向會員推斷攻擊(MIA)顯著提升揭露風險。這項工作提出以最後層表示為基礎的單樣本暴露分數，並在線性情況下把個別風險解析為人口槓桿得分與殘差損失兩部分，明確連結幾何結構與隱私暴露。
速報
ECSEL：以可解釋 signomial 方程做分類的新方法
研究提出 ECSEL，一種可解釋的分類法，直接學習 signomial 形式的符號方程，產生結構化閉式表達式，同時當作分類器與解釋器使用。作者在標準符號回歸基準上比現有方法復原更多目標方程，且計算成本顯著降低。憑藉效率，ECSEL 在分類準確度上可與既有機器學習模型競爭，並保有可解釋性。
速報
以正交參數化破解平方電路邊緣化瓶頸
平方張量網路與其延伸的平方電路具高表現力，但平方化步驟讓配分函數與邊緣化計算變得昂貴，限制在機器學習上的實用性。研究提出以單位矩陣引入的正交化參數化，並結合電路的確定性結構，為平方電路設計新的參數化方式，使得邊緣化在更廣泛的電路因子化下也能有效計算。