速報
馮·諾依曼神經元與 VNN：細胞陣列自我構架的神經網路新路徑
研究把馮·諾依曼在細胞陣列上的構想帶入深度學習，提出可學習專職角色的馮·諾依曼神經元與其網路。方法在具擴散特性的細胞拓撲上，以卷積化學習類 Green 函數與神經算子延伸，網路依輸入輸出位置自我生成。實驗顯示此架構在基本任務上較等價深網更省參數且具擴展性。
速報
速報
OpenClaw AutoTrader：以 JavaScript 與 AI 代理的 30 天美股公開實盤挑戰
本報導聚焦開源專案 OpenClaw AutoTrader 的實盤實驗：專案以 JavaScript 結合 AI 代理人，展開公開的 30 天美股挑戰，並每日披露決策、回顧與學習日誌。專案強調真實交易（非回測）、流程透明與可追蹤的學習曲線。
速報
BlenderMCP：用 Model Context Protocol 將 Blender 與 Claude AI 連結
該專案是一款開源外掛，透過 Model Context Protocol 把 3D 軟體 Blender 與 Claude AI 連接，讓 AI 在建模與場景操作時提供即時輔助。專案強調低門檻整合、提示驅動的建模流程與社群支援，README 提供下載與安裝流程並引導使用者加入討論。
速報
postgrest-mcp：整合PostgREST與OAuth2，支援Supabase與Neon的輕量MCP伺服器
這項專案源於對PostgREST整合需求。它提供可連接Supabase與Neon的PostgRESTMCP伺服器，支援OAuth2與串流HTTP，讓API整合與自我部署更為順暢，對採用PostgREST架構的開發團隊具實務價值。有助於在雲端或自托管環境快速串接資料層與API層。
速報
llamator MCP 伺服器：自動化 LLM 紅隊測試與安全流程
發現一個開源專案 llamator-mcp-server，目標是自動化大型語言模型（LLM）的紅隊測試與安全工作流。專案以 MCP（管理與協調）伺服器為核心，支援非同步任務處理、行為分析與測試整合，並導出可用於檢視的漏洞報告與流程記錄。專案採用 Python 開發，強調使用門檻低與使用者導向介面，方便測試人員在多平台部署與執行測試場景。
速報
autoresearch：自動化單卡 nanochat 訓練的 AI 代理人平台
autoresearch 是一個讓 AI 代理人在單卡 nanochat 訓練上自動實驗的開源專案。代理人會修改 train.py、執行 5 分鐘的訓練，並以 val_bpb 指標判斷是否改進。人類僅編寫 program.md 指令，整體流程加速模型優化，展現 AI 自主研究的潛力。
速報
OpenAI 推出 GPT‑Realtime‑2、Realtime‑Translate 與 Realtime‑Whisper 即時語音能力
OpenAI在其API推出多項即時語音智慧功能：GPT‑Realtime‑2以GPT‑5級推理強化語音對話；GPT‑Realtime‑Translate提供同步翻譯，理解七十餘種輸入並輸出十三種語言；GPT‑Realtime‑Whisper支援即時語音轉文字，並內建防護機制阻止濫用。
速報
駭客被駭：PCPJack 鎖定 TeamPCP 佔領的雲端系統
資安業者揭露罕見事件：駭客入侵已遭其他駭客掌控的系統。入侵者將原始駭客逐出並移除其工具，隨即在雲端部署類似自我複製的程式以跨平台擴散。他們同時竊取多種憑證與敏感資料，並將竊得資料回傳至自身基礎設施。攻擊鎖定被TeamPCP侵佔的資源，凸顯駭客間攻守升高。
速報
Moonshot AI以Kimi開放權重LLM募資20億美元，估值達200億美元
北京AI實驗室MoonshotAI以開放權重Kimi大型語言模型為主。Kimi在程式碼基準與分發平台表現亮眼，帶動付費訂閱與API成長。創辦人為前Meta與GoogleBrain研究員，4月年經常性營收逾2億美元，公司完成約20億美元募資、估值約200億美元。
速報
H^2-EMV：讓人形機器人學會選擇性記憶與語言化遺忘
機器人在回應「我把鑰匙放哪？」或說明任務失敗原因時，需口語化過往經驗，但持續多模態感知會讓情節記憶暴增，影響儲存與即時查詢。H^2-EMV提出透過使用者互動學習要記什麼：系統以分層的情節記憶架構儲存資訊，採語言模型評估相關性執行選擇性遺忘，並根據使用者回饋更新自然語言規則。
速報
Agentic Publication（代理人式發表）：把論文變成互動式知識系統
本文說明「Agentic Publication」概念，一種由大型語言模型驅動的互動式科學發表架構，用來回應科學文獻指數成長的挑戰。架構透過檢索增強生成（RAG）將結構化資料（如知識圖、書目元資料）與非結構化內容（文字、多媒體）整合，並以多代理驗證提升內容可靠性。
速報
原子化事實核查（atomic fact‑checking）顯著提升臨床對 AI 建議的信任
這項隨機試驗比較原子化事實核查與傳統可解釋性方法對臨床信任的影響。研究把AI建議分解為可逐一驗證且連結原始指引的聲明，結果發現原子化事實核查將表達信任的臨床人員比例從26.9%提高到66.5%，傳統透明機制則呈劑量反應改善，效果量介於0.25到0.50之間。