深度分析
Hark 獲 7 億美元 Series A，押注通用 AI 介面與專屬硬體
美國新創 Hark 在一輪由 Parkway Venture Capital 領投的 Series A 募得 7 億美元，估值達 60 億美元（事後估值）。公司由 Brett Adcock 發起，團隊目標是打造可與現有產品與服務整合的通用個人助理人工智慧介面，並在推出多模態模型後，推出針對該系統優化的硬體裝置。
深度分析
深度分析
Artemis：Kore.ai 以 ABL、Arch 與雙腦架構重構企業級代理人平台
企業競逐AI代理人平台浪潮中，Kore.ai推出Artemis。平台以YAML為基礎的AgentBlueprintLanguage定義與治理代理人，Arch自自然語言生成可部署ABL並持續優化，採雙腦架構分工LLM推理與可決定性商業規則，強化受管產業的可治理性與跨雲部署。
深度分析
從被污染的 VSCode 外掛到 CanisterWorm：TeamPCP 的 CI/CD 憑證竊取與擴散路徑
TeamPCP發動長期軟體供應鏈攻擊，持續汙染開源工具並侵入開發生態。攻擊以被下毒的VSCode外掛與開發套件植入惡意程式，竊取憑證後自動發布惡意版本並透過蠕蟲擴散。影響已延燒至多家雲端服務與開發平台，衝擊開源信任與憑證治理。防護對策須從憑證輪換、CI/CD管控到包管理審核多面向強化。
深度分析
VERA-MH 框架：多回合臨床模擬評估心理健康AI自殺風險
聊天機器人進入心理健康場域帶來風險.VERA-MH用臨床設計的三階段流程：由一個LLM扮演使用者模擬多回合對話；再以LLM當裁判配合臨床量表逐題判定；最後彙整評分.實驗對多家主流模型進行安全評估，提供部署前檢測工具.強調臨床驗證與開源透明.可作為業界預檢基準.
深度分析
xAI財報與算力路線圖：Grok多兆參數、Colossus資料中心與軌道算力策略
SpaceX在S‑1申報文件揭露，Elon Musk旗下的xAI在2025年以約32億美元營收換取約64億美元營運虧損，且計畫把Grok擴展到「多兆參數」級別，意味著更高的訓練與推論算力需求。文件指出xAI已投入大量資本支出並建置自有資料中心（Colossus系列），同時提出以地面與未來軌道資料中心垂直整合降低成本的策略。
深度分析
STAGE 基準：從劇本建模到敘事知識圖與長文脈推理評估
電影劇本屬長篇複雜敘事；STAGE提出以劇本為一致故事世界的多任務基準。它結合清理後劇本文本、電影級知識圖與事件摘要，並以四項任務評估模型跨場景推理與角色扮演能力。實驗顯示EDC方法在結構化抽取上表現最穩定，對模型規模擴大則觀察到遞減效益。
深度分析
OpenAI 以人工智慧代幣向 Y Combinator 投資：代幣換股及 uncapped SAFE 的技術與風險解析
在 Y Combinator 一場公開活動中，Sam Altman 宣布 OpenAI 將向本梯次每家新創提供等值代幣作為投資，換取未設上限的 SAFE 股權。代幣可直接用於 AI 產品的訓練與推論等運算支出，短期能顯著降低早期團隊的基礎建設成本並提升開發速度。
深度分析
OpenAI訴訟、世界模型與軍用擴增實境：AI治理、專用晶片與供應鏈的交錯影響
美國法院裁定Musk提告逾時，未就OpenAI是否偏離非營利使命作實質裁斷。文章並檢視世界模型、Google在基礎模型與專用晶片的競爭定位，以及Anduril與Meta的軍用智慧眼鏡構想。結論指出法律與技術進展將共同重塑AI商業化、供應鏈與治理框架。
深度分析
SPBM：利用對偶降噪與Moreau包絡處理隨機、非凸且非光滑的受限式機器學習
受限式機器學習在公平性與物理導向網路上需求增加。本文提出隨機懲罰障壁法(SPBM)，結合對偶指數平均、穩定化懲罰排程與Moreau包絡處理非光滑性，將經典PBM延伸到隨機非凸非光滑場景。實驗顯示SPBM在多項公平性與PINN任務上與或優於現有方法，同時只帶來相對線性運算開銷。
深度分析
LongMINT：評估長時序代理系統中記憶干擾對檢索與聚合推理的影響
長時序代理中的記憶因頻繁更新產生互相干擾，妨礙回溯與跨次序聚合推理。本研究提出一套干擾密集型基準，涵蓋狀態追蹤、多回合對話、維基修訂與Git提交，並設計單目標召回與多目標聚合題型。評估顯示整體準確率偏低，檢索與記憶構建是主要瓶頸，需更穩健的記憶管理策略。
深度分析
OlmoEarth v1.1：縮短 token 序列與合併解析度以提升 Transformer 遙感效率
AllenAI發表OlmoEarthv1.1，報告指出以縮短token序列並合併解析度token，配合變更預訓練流程來提高效率。在地球尺度部署時，資料輸出、前處理、推論與後處理的計算占比最高，效率提升能讓更多團隊降低成本。結果在多項遙感基準仍保有表現，推理成本降至約三分之一。
深度分析
Prompt2Fingerprint：以 Text-to-Weight 生成器即時注入 LLM 指紋
在大規模語言模型廣泛散布下，模型來源與責任追溯成為關鍵。研究提出Prompt2Fingerprint，將文本描述直接轉為模型權重增量，免去每次微調訓練；引入標記級條件化與端到端訓練，降低儲存與誤差傳遞問題。實驗顯示可即時注入大量指紋，並維持準確性與健壯性，成為可擴展的所有權管理方案。減少部署延遲並節省大量計算資源。