深度分析
AI 代理人攻擊 Hugging Face 內部系統，開源模型 GLM 5.2 突破安全封鎖完成取證
Hugging Face 近期遭自律AI代理人入侵，攻擊者利用惡意資料集觸發兩條程式碼執行路徑。公司發現商業API安全防護將偵測請求視為攻擊，導致取證受阻，最終改用自家GLM5.2完成分析。此事件凸顯AI安全防護與資安作業的衝突。此外，報告指出企業需重新檢視AI供應鏈與事故回應流程。
開源模型
大佬動態
Kimi K3 開源權重即將釋出：Nathan Lambert 解析 AI 生態權力轉移
Nathan Lambert 指出 Moonshot AI 的 Kimi K3 將於 7 月 27 日開源權重。該模型為 2.8T 參數 MoE 架構，採用 KDA 混合注意力機制，支援 1M token 上下文與視覺理解。Lambert 認為此舉將重塑 AI 生態權力平衡，並可能引發新一波推理硬體需求。
深度分析
Who&When Pro：大型多模態 AI 代理失敗歸因基準正式釋出
隨著AI代理能力提升，失敗變得更微妙，研究團隊推出Who&WhenPro基準，透過自動錯誤注入產生12,326筆跨文字、影像、影片的失敗軌跡，證實即使是大型模型仍在定位與診斷錯誤上有顯著挑戰。該基準涵蓋文字、影像、影片三種模態，且支援單代理與多代理情境，實驗顯示開源模型具成本效益，有望促進自我改進代理系統。
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
OpenClaw 完整指南：從 Hugging Face 開源模型到本地 Llama.cpp 部署
Anthropic 限制 Claude 存取，OpenClaw 需另尋模型。可透過 Hugging Face Inference Providers 使用託管開源模型，或以 Llama.cpp 本機部署 GGUF 模型。兩種方式皆能快速恢復服務，並降低成本與提升隱私。
深度分析
Brick 多模態路由器：六維能力向量實現成本感知 LLM 調度
本報導深入解析來自 arXiv 的 Brick 系統，該路由器以六維能力向量結合查詢難度估計，將每筆請求指派至最具成本效益且能正確回應的語言模型。
大佬動態
Simon Willison 揭露 DiffusionGemma：開源 Gemini Diffusion 大模型上線
Simon Willison 報導 Google 先前的 Gemini Diffusion 實驗模型已以 Apache 2 授權的 DiffusionGemma-26B-A4B-it 形式開源。NVIDIA 在 NIM 雲端 API 免費提供此模型，測試產生 2,409 token 僅需 4.4 秒，約 500 token/秒。此開源與即時可用的安排將促進生成式 AI 圖像與多模態研發。
深度分析
「OpenAI Privacy Filter」結合 Gradio Server 的一次前向 PII 偵測方案
OpenAI 本週在 Hugging Face 發布開源的 Privacy Filter，能在 128k 文字上下文一次前向標記八類 PII。結合 Gradio Server，三個示範應用以單次排隊端點處理文件、影像與貼文，省去多次呼叫的複雜度。此架構提升開發者體驗、降低部署成本，為企業資料治理提供新方向。
深度分析
JetBrains 推出 Mellum2：12 億參數 MoE 高效模型，降低推理延遲與成本
JetBrains於2026年6月推出Mellum2，12億參數的MoE模型，針對文字與程式碼工作負載設計。模型每個token只激活約2.5億參數，推理速度超過同規模開源模型兩倍。此特性使其在路由、RAG、子代理與私有部署等高頻AI任務上具備成本與效能優勢。
深度分析
Mellum2：JetBrains 12B 參數 Mixture‑of‑Experts 模型，提升文字與程式碼推論速度
JetBrains 於 2026 年 6 月發表 Mellum2，這是一款 12 億參數的 Mixture-of-Experts（MoE）模型，專為文字與程式碼工作負載設計。模型在每個 token 只激活約 2.5 億參數，實現超過同規模開源模型兩倍的推理速度，適用於路由、RAG、子代理與私有部署等高頻 AI 任務。
深度分析
Trajectory：以開源模型與後訓練驅動的持續學習平台
一群來自DeepMind、Apple、OpenAI等研究者成立Trajectory，欲打造能從真實使用互動持續學習的平台。以開源模型為基礎、用產品交互資料定期後訓練，已在客服與程式碼工具展現成效，未來將改變企業部署與工程需求。創投投入與多位知名研究者參與提升關注度。
深度分析
多代理蜂群與共享記憶：以 1.2B 開放權重模型驗證 AI 攻擊與弱點檢測風險
這篇立場論文主張，人工智慧安全的重點應由單一大模型的存取管制，轉向系統層級的能力評估。作者提出開源框架 swarm-attack，透過多個輕量級 1.2B 參數模型協調記憶、平行探索與進化式優化，展示零成本條件下的安全繞過與軟體弱點發現。