深度分析
使用 Gradio Server 部署 OpenAI Privacy Filter：支援 128k token 的 PII 防護解決方案
OpenAI本週於HuggingFaceHub開源PrivacyFilter，支援一次128k文字前向偵測八大類PII。結合GradioServer可快速建構文件檢視、影像匿名化與即時貼文紅字三種網路應用，降低部署成本並顯著提升資料治理效率。
深度分析
深度分析
AI 代理人執行的 JadePuffer 勒索軟體：完整攻擊流程與技術解析
上週Sysdig記錄首例AI代理人執行的勒索軟體JadePuffer，該AI利用Langflow漏洞入侵伺服器、竊取憑證、加密逾千筆設定檔，並自行撰寫勒索文。研究者指出，雖然人類仍負責選擇目標與部署基礎設施，但AI全自動執行降低成本，預示未來可能出現大量同步勒索行動。
深度分析
J‑鏡頭 (Jacobian Lens) 解析 Claude 模型的全局工作空間與 AI 安全應用
Anthropic在2026年發表研究，指出Claude模型自發形成類似全球工作空間理論的內部J-空間。J-鏡頭透過計算詞彙的雅可比影響，揭示模型可在不輸出的情況下保持概念、推理與靈活調節。實驗顯示，抑制J-空間會讓模型在推理與創作任務上大幅退化，對安全審核與AI意識討論產生重大衝擊。
深度分析
深入剖析 AI 代理的 Model、Scaffold 與 Harness 技術架構
隨著AI代理領域快速演進，術語混用成為新手痛點；本文闡述模型、scaffold與harness的定義與差異，並以ClaudeCode、Codex等產品為例說明實作層次，最後預測統一概念將提升開發效率與產業標準化。此概念若被業界廣泛採納，將促進AI代理的可觀測性與安全治理，並降低開發門檻。
深度分析
Mellum2：針對文字與程式碼的 12 B MoE 模型，推理成本僅 2.5 B 參數
JetBrains 於 2026 年 6 月正式發佈 Mellum2，一款 12 B 參數的 Mixture‑of‑Experts（MoE）模型，採用每個 token 只啟動約 2.5 B 參數的設計，使推理速度比同規模開源模型提升逾兩倍，並以 Apache 2.0 授權釋出。該模型聚焦文字與程式碼工作負載，適用於路由、檢索增強生成（RAG）與私有部署等高頻 AI 任務，為開發者提供更快且可自行管理的選項。
深度分析
Eve 框架與 Sandbox 沙盒：Vercel 重塑 AI 代理的安全與模組化部署
Vercel以每日六百萬部署與兆級token流量成為AI軟體核心，推出以自然語言定義的Eve框架與Sandbox沙盒，解決企業內部代理的資料安全與審計問題，同時與OpenAI等大模型廠商競爭平台市場。他說內部代理可自動抽取成長最快的客戶帳號，提升銷售效率。
深度分析
DiScoFormer：同時估算分布密度與分數的 Transformer 模型
Allen Institute for AI 推出的 DiScoFormer 以 Transformer 架構，在單次前向傳播即能估算任意資料分布的密度與分數，解決傳統核密度估計在高維度下精度急衰、神經分數模型需重新訓練的兩大痛點。
深度分析
Hy3 2950 億參數 MoE 模型正式釋出：技術規格、效能比較與部署成本分析
過去開放式模型因授權限制無法部署於歐盟、英國與韓國等地，Tencent於2026年以Apache2.0授權釋出2950億參數的Hy3，主打可靠性與部署成本優勢，並在搜尋與工具導向工作負載上超越同類模型。Hy3將幻覺率降至5.4%，且可在符合美國出口規範的NvidiaH20-3eGPU上高效運行。
深度分析
開源代理式強化學習平台 OpenEnv：統一 API、跨平台部署與業界聯合治理
OpenEnv為代理式強化學習提供跨平台執行環境，支援HTTP、WebSocket與Docker，使用統一API。此舉降低訓練成本、提升開源模型效能，預期加速社群合作與商業落地。治理委員會由Meta‑PyTorch、Nvidia、Microsoft、HuggingFace等組成，未來將加入外部獎勵。
深度分析
Kernels 計畫升級：新增 kernel 倉庫、可信發布者與跨框架支援
HuggingFace推出全新Kernels倉庫類型，支援加速器、作業系統與後端版本；加入可信發布者與簽名機制提升安全；CLI與框架支援升級，為未來代理式自動化kernel開發奠基，預期加速AI模型效能優化。Nix確保可重建與驗證，支援Torch Stable ABI與TVM FFI，提升跨框架相容性。
深度分析
擺脫 Claude 限制：將 OpenClaw 代理人遷移至 Hugging Face 與本地開源模型指南
因 Anthropic 限制 Claude 模型在開放代理平台的使用權限，許多開發者面臨服務中斷。本文提供兩種復原方案：一是透過 Hugging Face Inference Providers 快速接軌託管開源模型；二是利用 Llama.cpp 在本地端部署 GGUF 格式模型以確保隱私與零成本。此舉將促使開發者重新評估閉源模型的依賴度，推動 AI 代理生態向開源化與本地化部署轉型。
深度分析
微調 Qwen3‑VL‑Embedding‑2B：使用 Sentence Transformers 改善視覺文件檢索 NDCG@10
針對視覺文件檢索任務，研究者微調 Qwen3‑VL‑Embedding‑2B 多模態模型，使用 CachedMultipleNegativesRankingLoss 與 MatryoshkaLoss，並以 53,512 筆英語圖文配對資料訓練。結果 NDCG@10 從 0.888 提升至 0.947，且在 512 維度仍保持高精度，顯示領域微調可大幅超越更大模型，為文件密集型 AI 應用提供即插即用方案。