2026年7月28日星期二

1. LFM2.5-Encoder：面向CPU快速长上下文推理的新模型
   T1Hugging Face：Blog（RSS）

   Liquid AI发布了LFM2.5-Encoder系列模型，基于稀疏注意力机制和混合专家架构，显著提升CPU上的长上下文推理速度。该系列支持高达1M tokens的上下文窗口，在多个长上下文基准测试中达到SOTA性能。模型采用MIT许可开源，已在Hugging Face上发布权重和推理代码。

2. 评估LLM提供商性能：延迟、吞吐量与可用性指南
   T1OpenRouter：Announcements（RSS）

   本文介绍了评估LLM提供商性能的关键指标，包括p50-p99延迟、吞吐量、可用性和量化方法，并说明如何利用路由控制来强制执行评估结果，从而优化应用性能与成本。

3. 一份主观指南：如何选择AI来做事情
   T2Simon Willison 博客（Atom）

   Ethan Mollick的AI使用指南一年内从聚焦Chat、Claude、Gemini等聊天模型，转向强调代理系统（agentic systems），其中AI能一次性完成数小时的人类工作。Gemini因缺乏Codex/ChatGPT Work/Cowork类别的成熟产品而被移除。文章详细解释了ChatGPT的Work和Codex模式、Claude的Cowork和Code模式，以及如何通过桌面应用授权AI访问电脑以发挥更强能力，并指出移动端Work模式与桌面端Codex之间的混淆点。

4. 微软发布首个网络安全AI模型及代理安全系统
   T2TechCrunch：AI（RSS）

   微软本周推出其首个AI安全模型和全新的代理网络安全系统，旨在利用AI增强网络防御能力。该系统包含自主代理，可自动检测、分析和响应威胁，减少人工干预。模型专注于安全领域，是微软在AI安全领域的重要布局。

5. 月之暗面发布2.8万亿参数Kimi K3模型权重，许可证条款趋严
   T2Simon Willison 博客（Atom）

   月之暗面兑现承诺，在Hugging Face上发布了2.8万亿参数的Kimi K3模型权重，大小达1.56TB。与K2的“修改版MIT”不同，K3许可证不再冠以“开源”之名，而是要求月活跃用户超1亿或月收入超2000万美元的MaaS企业需与月之暗面单独签署商业协议。OpenRouter已上线K3服务，定价与官方一致。

6. Anthropic 对开放权重模型的立场声明
   T1Anthropic：News（网页）

   Anthropic CEO Dario Amodei 发表关于开放权重模型的立场声明，强调安全性与负责任开发。文章探讨了开放权重模型在促进创新与潜在滥用风险之间的平衡，提出应建立新的安全标准与监管框架。Anthropic 主张在开放的同时需确保模型不被用于恶意目的，呼吁行业共同制定可落地的治理规则。

7. Anthropic CEO Dario Amodei：不反对开源权重模型，但担忧中国AI崛起
   T2TechCrunch：AI（RSS）

   Anthropic创始人兼CEO Dario Amodei在最新采访中明确表示，他并不反对开源权重模型，但认为必须配合安全措施。他特别表达了对中国AI能力快速增长的担忧，认为这可能带来地缘政治风险，并呼吁美国在保持开放的同时加强监管与领先地位。

1. GitHub Copilot 新手入门指南：开始使用 AI 代理与画布功能
   T1GitHub Blog（网页）

   本文面向 GitHub Copilot 新手，介绍如何启动项目、使用 AI 代理、探索画布功能，并优化开发工作流。涵盖 Copilot 应用的核心操作技巧，帮助开发者快速上手并提升效率。

2. 警告：你的 Claude 共享对话和 Artifacts 可能已被谷歌收录
   T2TechCrunch：AI（RSS）

   Anthropic 的 Claude 存在隐私漏洞：其“共享聊天”功能生成的公开链接默认未被禁止搜索引擎爬取，导致大量用户对话及 Artifacts（如代码、文档）被谷歌搜索收录。该问题影响已分享的链接，用户若分享过敏感信息可能已泄露。目前 Anthropic 尚未完全修复，建议用户立即删除或取消分享包含机密内容的链接。

3. 实用至上：GitHub Copilot 全流程工作指南
   T1GitHub Blog（网页）

   本文介绍了一种基于 GitHub Copilot 的实用软件工程工作流，涵盖原型设计、规划、实现和代码审查四个阶段，强调不依赖各类新潮 AI 工具，而是充分利用 Copilot 的现有能力来提升效率。作者分享了实际使用经验和配置建议，帮助开发者在日常工作中更高效地利用 AI 辅助编程。

4. Threads用户现可在私信中与Meta AI聊天
   T2TechCrunch：AI（RSS）

   Meta于周一宣布，正在Threads的私信功能中逐步推出其Meta AI聊天机器人，让用户可以直接在对话中与AI助手互动。这一更新将AI能力嵌入社交平台的核心通讯场景，标志着Meta在社交应用内推广AI助手的又一重要步骤。目前该功能正在逐步上线，用户可在Threads私信界面直接调用Meta AI进行问答、生成内容等操作。

1. 微软CEO纳德拉：完全依赖单一AI模型的企业将无法生存
   T2TechCrunch：AI（RSS）

   微软CEO萨提亚·纳德拉在最新访谈中警告，企业如果完全依赖某一家AI实验室（如OpenAI或谷歌）的单一模型，将面临巨大风险，最终可能无法在市场中生存。他呼吁企业构建多元化AI能力，避免供应商锁定。这一观点反映了AI行业从模型堆叠向多模型协同演进的趋势。

2. Anthropic与Cognizant扩大合作：Claude嵌入平台，培训3万员工，成为全球顶级合作伙伴
   T1Anthropic：News（网页）

   Cognizant将Anthropic的Claude模型嵌入其多个平台，并培训了超过3万名员工，同时成为Claude Partner Network中的全球顶级合作伙伴。这一合作标志着Claude在企业级市场的深度应用，展示了AI在大型服务商中的规模化落地潜力。

3. OpenAI的Hugging Face漏洞重燃AI对齐与控制之争
   T2TechCrunch：AI（RSS）

   OpenAI在Hugging Face上的模型存储库因配置错误导致内部模型权重、训练数据及内部备注泄露，引发社区对AI对齐（使模型符合人类意图）与控制（物理约束模型能力）孰轻孰重的激烈讨论。一方主张强化对齐可预防失控，另一方则认为必须通过沙盒与访问限制进行硬控制。此次事件暴露了即使是先进AI实验室也难以完全保障模型资产安全，凸显了安全治理的紧迫性。

1. 超越规模与生成：理解基于语言模型的实体匹配
   T2arXiv AI/CL/LG（论文）

   该论文通过控制变量法对三种匹配器架构（双编码器、交叉编码器、生成式匹配器）、三种模型变体和三种模型大小（基于Qwen3系列）进行1215次微调实验，并在9个数据集上评估。研究发现：模型变体对双编码器性能关键；交叉编码器一致优于双编码器，但大模型可缩小差距；生成式匹配器并非普遍优于交叉编码器，仅在与分布偏移或跨数据集迁移时表现更好；大模型更依赖捷径学习，未必性能更好。该研究厘清了架构、模型变体与规模对实体匹配性能的影响。

2. MMOE：通过高效专家设计现代化扩散Transformer
   T2arXiv AI/CL/LG（论文）

   MMOE是一种现代化扩散Transformer架构，系统性地将路由专家、共享专家、轻量级专家、门控残差路由和注意力残差信息复用引入AIGC生成。在单机8×H100、批量256、训练40万步的预算下，MMOE在每个记录检查点均达到比密集基线和中间稀疏专家基线更低的FID，收敛更快，并在稀疏变体中实现了最佳质量-成本平衡。路由分析显示专家跨层稳定专业化、轻量级路由广泛使用以及去噪过程中逐步骤路由变化适中。研究表明AIGC基础模型可以借鉴LLM的高效扩展路径，而不是简单地增加总参数量和稀疏率。

3. ClinFusion：面向整体医疗理解的视觉中心多模态大语言模型
   T2arXiv AI/CL/LG（论文）

   ClinFusion是一个视觉中心的多模态大语言模型，旨在解决医学影像理解中的异构数据与评估对齐问题。该模型提出级联空间感知局部融合编码器，统一处理2D和3D医学图像，并引入MedIF-Bench指令遵循基准和基于感兴趣区域的报告生成评估方法。在涵盖视觉问答、报告生成和指令遵循的24个基准测试中，ClinFusion在20个上超越开源医学MLLM（如Hulu-Med、Lingshu），在16个上超越GPT-5.2和Gemini-3-Flash等闭源模型。放射科医生盲评确认其报告质量最高，且提出的ROI指标与专家判断相关性最强。该系统还可扩展为代理工具调用，支持检索增强和工具辅助的临床工作流。

4. 重新思考在线策略扩散蒸馏中的分类器自由引导
   T2arXiv AI/CL/LG（论文）

   在线策略蒸馏（OPD）通过查询教师模型来适配扩散模型，但分类器自由引导（CFG）作为现代扩散系统的默认组件，其行为在OPD中尚未被充分理解。现有方法直接匹配教师和学生的引导速度，但本文发现该目标在分支层面存在欠识别问题：正负分支错误可相互补偿。通过对比案例，作者发现当教师负分支包含学生无法获取的特权信息时，朴素匹配会导致负分支不对称（NBA）失败模式。为此，提出正方向匹配（PDM），一种分支感知的OPD目标，单独约束正预测和CFG条件方向。在稠密到稀疏视频控制任务中，PDM显著提升知识迁移的鲁棒性和有效性。

5. KANEx：将KAN网络的解释性迁移至医学可解释性
   T2arXiv AI/CL/LG（论文）

   计算机视觉模型在医学应用中表现优异，但其黑箱特性削弱了临床信任。现有系统将胸部X光分类器与视觉语言模型（VLM）结合生成自然语言解释，但未解决视觉模型本身的不透明性。本文提出KANEx框架，首次利用Kolmogorov-Arnold网络（KAN）的符号透明性来锚定VLM推理，并设计KAN-Map热力图生成方法。在MIMIC-CXR数据集上，KAN架构相比ResNet/ViT基线在语义相似性和显著性图忠实度上均有提升，视觉定位和下游推理质量提高10%。研究认为，将语言解释和视觉归因锚定在数学可解释单元上是构建可信医学AI的必要步骤。

6. 高效LLM生成的离子阱量子计算穿梭编译器
   T2arXiv AI/CL/LG（论文）

   本研究首次使用单一前沿大语言模型（Claude Opus 4.7）自动生成并迭代改进离子阱量子计算机的穿梭编译器代码。从线性分段陷阱开始，扩展至带连接点的陷阱，最终实现通用连接图的高效编译。与手工编译器相比，穿梭时间步数分别减少高达76%和39%，在密集连接架构中减少一个数量级。使用Claude Fable 5复现结果一致。实验表明，未修改的前沿LLM可以生成正确且具有竞争力的编译器，将新架构的开发时间从数月缩短至数天。

7. Causal-TS：面向高维非平稳时间序列因果发现的开源Python库
   T2arXiv AI/CL/LG（论文）

   Causal-TS是Bloomberg推出的开源Python库，专为高维非平稳多元时间序列设计。它提供四种专用算法（CDNOTS、CDNOTS+、CEDAR、GRACE）并封装了GES、Granger等经典方法，统一采用PyTorch GPU加速的条件独立性检验层。库中包含区间发现流程，能自动检测结构断点并在各区间内运行因果发现。通过命令行接口、合成数据生成器和可选的DoWhy集成，实现了从原始时间序列到因果效应估计的端到端流程。支持Python 3.10-3.12，pip可安装。

8. Kimi K3：开放前沿智能模型（2.8T参数MoE）
   T2arXiv AI/CL/LG（论文）

   Kimi K3是由月之暗面推出的2.8万亿参数混合专家模型，激活参数1040亿，拥有原生视觉能力和百万token上下文窗口。基于Kimi Delta Attention和Attention Residuals改善信息流动，结合Stable LatentMoE实现每token激活16/896专家，整体扩展效率较K2提升约2.5倍。后训练在通用、Agent和编程领域使用强化学习，支持多种推理努力水平。评估显示其在长程编程、Agent、知识、推理和视觉任务上达到前沿水平，整体性能仅次于Claude Fable 5和GPT-5.6 Sol，但优于其他开源和专有模型。模型权重已完全开源。

—