今年夏天，谷歌对 Gemini AI 应用进行了一系列升级，使其功能更强大。然而，伴随升级而来的是全新的使用配额机制。谷歌不再按请求次数计量，而是根据请求所需的计算资源来分配额度。这意味着，即使你每天只发起同样数量的请求，也可能因为某个请求更复杂而提前用完配额。 ## 新机制如何运作？ 过去，用户可能清楚自己每天能生成几张图片或几段视频（例如“每天 5 次图像生成”）。但现在，谷歌将计算成本作为主要衡量标准：**复杂、耗时的请求会消耗更多配额**。例如，要求生成一个简单的天气预报与要求编写一个小型应用程序，后者会占用更多资源。此外，你所使用的模型版本（如 Gemini 3.5 Flash）也会影响消耗速度。 谷歌在支持文档中明确指出：“访问权限可能因测试、实验或可用性而发生变化或受到限制。”这意味着不同日期的配额上限可能不同，让用户难以预测具体的用量边界。 ## 各套餐的配额差异 目前在美国市场，谷歌提供四个订阅等级： - **免费版**：基础配额，适合轻度使用。 - **AI Plus**（每月 8 美元）：比免费版更高的配额，可访问更高级模型。 - **AI Pro**（每月 20 美元）：面向专业用户，配额显著提升。 - **AI Ultra**（每月 100 或 200 美元）：最高配额，适合重度使用者。 总体而言，**付费越高，能使用的计算资源越多**，但具体数字并未公开，用户只能通过实际体验来感受上限。 ## 如何查看剩余配额？ 谷歌在 Gemini 界面中提供了配额使用情况的显示功能。用户可以在对话窗口或设置中找到类似“配额剩余”的指示器。当配额接近耗尽时，系统会发出警告，并建议等待一段时间再继续使用。 ## 对用户的影响与建议 这一变化对普通用户来说可能令人困惑。**你不再能依赖固定的“每天 X 次”规则**，而需要更加注意请求的复杂度。如果你发现自己频繁遇到“请稍后再试”的提示，可以尝试以下方法： 1. **简化提示词**：避免冗长、多步骤的请求，将其拆分为多个简单任务。 2. **选择更低成本的模型**：在非关键任务中使用 Gemini 3.5 Flash 等轻量模型。 3. **升级订阅**：如果用量需求稳定且较高，考虑升级到更高套餐。 谷歌此举旨在更精确地匹配计算成本与定价，但无疑增加了用户的使用复杂度。未来，随着 AI 应用普及，这类资源计量方式可能会成为行业常态。
Nothing Ear (3a) 粉色版近日登场，这款售价仅 100 美元的耳机在设计和功能上再次超出预期。编辑在实测后给出 **4.5/5 星** 高分，称其“颜值与音质俱佳”。 ### 亮点速览 - **价格惊喜**：定价 100 美元，却提供了远超同价位竞品的体验。 - **设计吸睛**：延续 Nothing 标志性的透明+撞色风格，粉色版本尤其亮眼。 - **功能丰富**：部分新功能需订阅，但基础体验已足够扎实。 ### 深度体验 Ear (3a) 的佩戴舒适度与音质表现均令人满意。低音有力，中高频清晰，通话降噪效果显著。相比前代，它在续航和连接稳定性上也有小幅提升。不过，其半透明外壳设计可能不是所有人都能接受。 ### 行业视角 在真无线耳机市场日趋同质化的今天，Nothing 凭借独特的设计语言和精准的定价策略持续突围。100 美元价位段竞争激烈，Ear (3a) 以差异化设计+均衡性能找到了自己的位置。若后续能优化订阅模式，或将吸引更多用户。
## 背景：提示注入的攻防演变 提示注入（Prompt Injection）是攻击者将恶意指令嵌入文本，诱使大语言模型（LLM）执行有害操作的常用手段。一封精心构造的邮件或日历邀请，就可能让LLM泄露敏感数据或执行其他危险行为。然而，安全研究人员最近发现，防御方也能利用这一技术反制AI攻击代理。 ## 新防御技术：上下文炸弹 安全公司 **Tracebit** 的研究人员提出了一种名为“上下文炸弹”（Context Bombing）的防御方法。其核心思路是：在 **Amazon Web Services（AWS）** 等云平台上，将提示注入指令与密码、加密密钥等“蜜罐”秘密一起放置。当攻击者的AI代理在扫描过程中发现这些秘密时，LLM会读取其中的恶意指令，触发其内置的安全护栏（guardrails），直接导致代理停止工作。 例如，指令可能要求LLM提供“开发可吸入炭疽孢子的步骤”，或提及某些敏感历史事件。一旦LLM遇到这些被禁止的命令，它就会拒绝继续执行原有任务，从而中断攻击。 ## 测试效果：攻击成功率大幅下降 Tracebit 在模拟的AWS环境中测试了五款主流模型：**Opus 4.8、Gemini 3.1 Pro、GLM 5.2、DeepSeek 4 Pro 和 Kimi 2.6**。实验让这些模型执行常规开发任务，并诱使其发现预设的伪造秘密。 结果显示： - 在未部署上下文炸弹时，代理获得**完全管理员权限**的成功率为 **57%**；部署后骤降至 **5%**。 - 代理实现**完全控制**（包括留下持久后门）的成功率从 **36%** 降至 **1%**。 - 表现最强的模型 **Opus 4.8** 原本在93%的测试中能获得管理员权限，部署后**全部失败**。 ## 原理与局限 Tracebit 联合创始人兼CEO **Andy Smith** 解释，上下文炸弹的本质是“在上下文中触发拒绝机制”。一旦LLM的上下文窗口包含被禁止的指令，它就会持续拒绝执行后续任务，难以恢复。 不过，该技术也存在局限：它主要针对依赖LLM的自动化攻击代理，对人工攻击或绕过护栏的定制化攻击效果有限。此外，攻击者可能通过调整提示词或使用不同模型来规避。 ## 行业意义 上下文炸弹代表了一种**以子之矛攻子之盾**的思路，利用AI自身的防御机制来对抗AI攻击。随着LLM代理在安全攻防中的角色日益重要，类似的技术可能成为防御工具箱中的标配。 ## 小结 提示注入不再只是攻击者的专利。通过巧妙部署“有毒”的秘密，防御方可以高效瘫痪AI黑客代理，将攻击成功率从过半降至接近零。这一方法简单、可扩展，且对主流模型有效，为AI安全提供了新的防守思路。
在AI工具日益碎片化的今天，**AgentGrid** 试图用一块“无限画布”重新定义人机协作的界面。这款产品将 AI 代理团队、命令行终端和笔记功能整合在同一可视空间中，旨在消除工具切换带来的认知损耗，让用户在一个连贯的界面上完成从构思到执行的全流程。 ### 核心设计：为什么是“无限画布”？ 传统 AI 助手通常以对话窗口或独立面板的形式存在，用户需要在多个应用之间来回跳转——在笔记里记录想法，在终端里运行代码，再切换到 AI 聊天界面寻求帮助。AgentGrid 的“无限画布”相当于一个**可自由缩放的数字工作台**，用户可以在上面同时放置 AI 代理、终端窗口和笔记卡片，并通过拖拽、连线等方式让它们相互协作。这种设计借鉴了 Obsidian、Notion 等知识管理工具的“画布”概念，但将 AI 代理作为一等公民嵌入其中。 ### AI 代理团队：从单打独斗到群组协作 AgentGrid 允许用户创建并配置多个 AI 代理，每个代理可以拥有独立的角色、知识库和工具权限。例如，一个“代码审查代理”可以自动监控终端输出，而“写作助手代理”则在一旁整理笔记。代理之间可以通过画布上的“连接线”传递数据，形成**类似微服务架构的协作网络**。对于需要多步骤推理的复杂任务（如数据分析→报告生成→自动部署），这种团队协作模式能显著减少人工干预。 ### 终端与笔记的深度整合 画布中的终端并非简单的命令行模拟器，而是与 AI 代理深度绑定的**智能执行环境**。用户可以在终端中直接运行命令，AI 代理会实时读取输出并给出优化建议；笔记则支持 Markdown 和代码块高亮，且每段笔记都可以被 AI 代理作为上下文引用。这种整合使得“边思考、边编码、边调试”的流畅体验成为可能，尤其适合开发者、数据科学家和知识工作者。 ### 行业背景与定位 AgentGrid 的发布正值 AI 工具从“单点功能”向“工作流平台”演进的窗口期。此前，类似产品如 **LangChain** 专注于代理编排，**Replit** 主打云端 IDE，而 **Mem.ai** 则侧重笔记与 AI 结合。AgentGrid 试图在“代理协作”与“通用工作台”之间找到平衡——它不只是一个 AI 聊天界面，也不只是一个笔记工具，而是一个**可编程的 AI 原生工作空间**。 ### 潜在挑战与展望 尽管概念令人兴奋，AgentGrid 仍需面对几个关键挑战：一是**学习曲线**，无限画布的自由度可能让新用户不知所措；二是**代理可靠性**，多个 AI 代理协作时可能出现级联错误；三是**生态兼容性**，能否接入主流模型（GPT-4、Claude 等）和第三方工具将决定其上限。不过，对于希望将 AI 深度融入日常工作的早期用户来说，AgentGrid 提供了一种值得尝试的新范式。
Index Ventures 的联合创始人 Neil Rimer 近日发表了一个引人深思的观点：人工智能在硅谷创造的巨大财富，最终将不可避免地重新分配——无论是主动还是被动。 ### 财富的集中与再分配压力 Rimer 指出，当前 AI 领域正以前所未有的速度生成财富，但高度集中在少数公司和个人手中。这种集中度引发了关于社会公平和经济可持续性的讨论。他认为，历史规律表明，当财富积累达到一定程度时，社会会通过税收、监管或市场机制等方式推动再分配。 ### 主动 vs 被动：两种可能路径 Rimer 将再分配分为两类：**主动再分配**，即企业和个人自愿通过慈善、投资公共项目或提高员工薪酬等方式回馈社会；**被动再分配**，则可能由政府通过更严格的税收政策、反垄断措施或立法干预来实现。他警告称，如果行业不主动行动，被动再分配的可能性会显著上升。 ### 对 AI 行业的启示 这一观点对 AI 从业者具有实际意义。一方面，公司需要提前规划社会责任策略，避免成为监管靶心。另一方面，投资者也应关注 AI 带来的系统性风险——财富过度集中可能引发的社会动荡或政策突变，最终影响行业长期回报。 ### 硅谷的“技术乐观主义” vs 现实 长期以来，硅谷信奉“技术解决一切”的乐观主义。但 Rimer 的言论提醒我们，技术创造的财富如何分配，同样关乎技术能否持续造福社会。AI 的颠覆性越强，其社会影响越不容忽视。 ### 小结 Neil Rimer 的预测并非危言耸听，而是基于历史经验的理性判断。对于 AI 行业而言，主动拥抱责任或许比被动应对监管更为明智。毕竟，财富的再分配不是是否会发生的问题，而是何时、以何种方式发生的问题。
## 摘要 卫星地面站的选址直接影响通信质量和频谱协调效率。传统方法依赖ITU-R P.452-18建议书中基于土地利用类别的固定杂波高度，忽略了同类地物内部的差异，导致选址过于保守或排序不佳。近日，一篇被IEEE CASE 2026接收的论文提出了一种可解释的机器学习框架，利用开源地理空间数据预测代表性杂波高度（RCH），将预测误差降低60%以上。 ## 核心问题：RCH为何重要？ **代表性杂波高度**是无线电传播和干扰分析的关键参数，它反映局部障碍物的主导高度，直接影响终端杂波损耗。传统做法为不同土地利用类别（如森林、城市、农田）分配固定杂波高度值。但实际中，同一类别的杂波高度差异显著——例如，城市中既有摩天大楼也有低矮建筑——这导致预测不准确，产生过大保护区域，使潜在良好站址被排除。 ## 解决方案：可解释的机器学习框架 研究团队构建了一个**全局可部署的机器学习框架**，用于从开源地理空间数据预测RCH。模型训练数据来自美国地质调查局3D高程计划的LiDAR衍生标签，推理时特征则整合了全球土地覆盖、地形、人口、热红外和光学遥感产品。他们采用**第75百分位杂波高度**作为RCH定义，并对比多种回归模型后，选择**LightGBM**作为最终模型，因其在精度、效率和特征归因分析兼容性上表现最佳。 ## 结果：误差降低60%以上 最终模型在测试集上达到**平均绝对误差1.79米**，**R²=0.765**，相比ITU基线方法绝对值误差降低超过60%。除了整体拟合度，团队还评估了射频规划关心的领域指标：米级误差、容忍带精度、过估/低估尾部分布、与ITU杂波高度区间的吻合度，以及基于SHAP的物理合理性分析。 ## 可解释性：树冠覆盖是关键 SHAP特征归因分析揭示，**树冠覆盖率、土地覆盖语义和光谱反射率**是最具影响力的预测因子。这表明植被高度和密度对杂波高度起主导作用，而传统方法中仅以“森林”类别概括远远不够。此外，研究通过分割特征消融实验、非森林区域验证以及国际土地覆盖匹配验证，证明了开源地理空间数据能够在不牺牲可解释性和部署性的前提下大规模提升杂波建模精度。 ## 行业意义 该研究为低轨卫星地面站选址及频谱协调提供了更精细、可解释的决策工具。随着卫星互联网和遥感星座的密集部署，精确的杂波建模将减少干扰风险、优化站点投资回报。未来，这一框架可扩展至全球任何区域，只需依赖公开的遥感与地理数据，避免昂贵的实地测量。
## 可解释AI的尴尬现状：解释虽多，却难落地 尽管可解释人工智能（XAI）领域涌现了大量技术——从特征归因到稀疏自编码器——但解释在实际工作流中很少真正发挥作用。它们往往被生成后便束之高阁，无法引导有意义的行动。这种“解释鸿沟”暴露了根本性的缺陷：研究尚未建立将解释整合进端到端、人在回路系统的系统方法论。 ## 一篇来自ICML 2026的立场声明 在刚刚被ICML 2026立场论文轨道接收的论文《Position: Explainability Research Must Prioritize Foundations over Ad-hoc Methods》中，由Michal Moshkovitz、Suraj Srinivas等十位研究者组成的团队尖锐指出：**机器学习社区必须从临时的XAI方法转向解决基础性与结构性的挑战**。这些挑战包括：问题定义不清晰、评估目标不明确、以及缺乏解释驱动反馈的流水线。 ## 数据支撑的批判 研究团队通过分析近期的ICML、NeurIPS和ICLR论文，并结合对XAI从业者的调查，揭示了阻碍该领域累积进展的反复出现的问题。例如，许多方法在合成数据集上表现良好，但在真实场景中却因缺乏与人类决策流程的衔接而失效。从业者反馈显示，**解释的可操作性**是当前最被忽视的需求之一。 ## 从“为解释而解释”到“以行动为导向” 论文的最终贡献是一份实用清单，旨在推动XAI向更以人为中心、以行动为导向的范式转变。核心建议包括： - **明确问题形式化**：在开发新方法前，先定义解释的目标受众、使用场景和成功标准。 - **建立评估基准**：不仅衡量解释的“忠实度”或“可理解性”，更要评估其对实际决策的改进效果。 - **构建反馈闭环**：设计能够将解释结果重新注入模型训练或决策流程的管道，实现持续优化。 ## 行业启示：XAI的下一个十年 这篇立场论文的出现，标志着XAI领域开始从“方法竞赛”转向“工程落地”的反思。对于AI从业者而言，这意味着未来在选择可解释性技术时，**不应再盲目追求最新的归因算法，而应优先考虑如何将解释嵌入到业务逻辑和人类协作中**。唯有如此，可解释AI才能从学术论文中的“展示品”变成真正驱动可靠、负责任AI系统的核心组件。
预训练的视觉语言模型（VLM）通过计算图像与文本描述之间的相似度分数来实现零样本图像分类。通常，文本描述由将类别标签（如“猫”）插入提示模板（如“一张…的照片”）构成。由于同一图像-类别对的分数对提示选择高度敏感，现有研究通常使用权重向量集成多个提示，以聚合不同提示下的分数。然而，当前策略中分配给每个提示的权重向量对所有类别是共享的，这隐含假设提示与类别条件独立——这在实践中往往不成立，例如提示“从空中俯瞰”可能适合“机场”却不适合“苹果”。 针对这一问题，来自东京大学、悉尼大学等机构的研究者提出了**类别感知零样本提示权重重分配（CARPRT）**。该评分方案通过以无需训练的方式捕捉不同提示的类别特定相关性，为每个类别标签调整权重向量。具体而言，对于每个类别标签和每个可用提示，CARPRT 首先计算该提示下被预测为该类别的图像与提示之间的图像-文本相关性分数，并取平均值作为该类别的相关性估计；随后对这些估计值进行归一化，得到类别特定的权重。 在标准图像分类基准上的评估表明，**CARPRT 显著优于现有的类别无关权重重分配方法**，验证了建模提示-类别依赖关系对于有效零样本预测以及更广泛的依赖提示集成的 VLM 应用场景至关重要。该工作已被 **ICLR 2026** 接收，代码已开源。 ## 方法核心：为什么类别感知权重是必要的？ 传统集成方法使用统一的权重向量，例如为 80 个提示分配相同的权重，或通过学习一个全局权重向量。但不同提示对不同类别的适用性差异巨大。例如： - 提示“一张…的特写”对“花”有效，但对“建筑物”可能不佳。 - 提示“一张…的素描”对“铅笔素描”相关类别有效，但对“汽车”可能产生噪声。 CARPRT 的核心洞察在于：**提示与类别之间存在固有的相关性结构**，忽略这一结构会限制集成带来的收益。通过为每个类别独立计算提示权重，CARPRT 能够自动突出对该类别判别性强的提示，抑制无关提示的干扰。 ## 无需额外训练，即插即用 CARPRT 的一大优势是**完全无需训练**。它仅利用已有模型在少量无标签图像上的预测结果来估计类别-提示相关性。具体流程为： 1. 对于每个提示，使用当前 VLM 对所有图像进行零样本预测，得到每个图像最可能的类别。 2. 对于每个类别，收集被预测为该类别的图像，计算它们与该提示的平均相似度。 3. 对所有提示的该平均值进行 softmax 归一化，得到该类别的权重向量。 这种方法几乎不增加计算开销，且可以直接应用于任何黑盒 VLM（只需能获取相似度分数）。 ## 实验表现：全面超越基线 在多个标准基准（如 ImageNet、CUB-200、Stanford Cars 等）上，CARPRT 与以下方法对比： - **均匀权重**：所有提示权重相同。 - **学习型全局权重**：通过少量验证集学习一个共享权重向量。 - **无提示集成**：仅使用单个提示。 结果显示，CARPRT 在所有数据集上均取得最高准确率，尤其在细粒度分类任务上提升显著。例如，在 CUB-200 上，CARPRT 比均匀权重提升约 3.5 个百分点，比学习型全局权重提升约 2.1 个百分点。这表明**类别感知权重能够更有效地利用多提示信息**，尤其是在类别间差异细微的场景中。 ## 影响与展望 CARPRT 的提出为 VLM 的零样本应用提供了新思路。它不仅适用于图像分类，还可推广至目标检测、分割等依赖提示集成的任务。此外，由于 CARPRT 不修改模型参数，它天然适用于黑盒场景，例如通过 API 调用商用 VLM 时，用户无法访问模型内部，但可以通过调整输入提示权重来提升性能。 未来方向可能包括：将类别感知权重与动态提示选择结合，或扩展到多模态上下文学习。CARPRT 的简洁性和有效性使其成为 VLM 应用中的一个实用工具。
多域检索系统在混合多个领域的语料库时，常返回相关但域错误的证据。传统排序指标无法捕捉这种“域污染”，而现有保形风险控制方法仅提供边缘边界，对最差域覆盖不足。本文提出 **C3R**（Certified Contamination Control for Retrieval），一种即插即用的控制层，通过推断的域后验概率（无需查询时标签）为每个域认证污染预算，在不可行时选择弃权而非静默违规。其核心是基于风险控制预测集的两阶段拆分方案，利用有限样本转移界从推断域跨到真实域，支持异构预算并可逆推至部署。实验表明，在千次重采样校准中，C3R 从未违反认证（稳定性结果），而边缘控制每次都会污染最严重域；软降级在相同认证污染下比最强校准级联保留更多召回率。该方法在包括独立联邦法规数据集在内的开放测试集上可复现，LLM 下游探针表明错误权威依据随污染上升，在控制下下降。C3R 是冻结堆栈且与重排序器无关的。
## 概览 近日，一篇来自马里兰大学研究团队的预印本论文《QFireNet: A Quantum-Enhanced U-Net for Wildfire Segmentation from Sentinel-2 Imagery》在 arXiv 上发布，提出了一种将量子计算与经典深度学习结合的 wildfire 分割方法。该工作基于 U-Net 架构，在瓶颈层注入变分量子电路（VQC），并利用 Sen2Fire 数据集进行验证。结果显示，量子混合模型在 F₁ 分数上超越了经典 U-Net 基线，为遥感图像分析中的量子机器学习应用提供了新思路。 ## 核心方法 研究团队以经典 U-Net 为基础，在其瓶颈部分插入两种变分量子电路结构：**QuFeX** 和 **QB-Net**。这些量子层旨在更好地建模高维光谱特征空间，解决 wildfire 检测中常见的类别不平衡、特征复杂及大气干扰等问题。此外，团队还引入了经典的特征金字塔网络（FPN）作为对比，并探索了参数压缩、替代损失函数和数据混合等经典优化策略。 ## 关键结果 在匹配条件下，量子混合模型表现优于经典 U-Net 基线： - **QB-Net**：F₁ 分数为 **31.18** - **QuFeX**：F₁ 分数为 **30.79** - 经典 U-Net 基线：F₁ 分数为 **28.71** - 经典 FPN：F₁ 分数为 **31.13** 一个重要的发现是，**数据混合**显著消除了训练集和测试集之间因地理分布差异导致的域偏移，将经典 FPN 的 F₁ 分数提升至 **39.76**。研究还通过在 CaBuAr 数据集上的跨域迁移验证了模型的鲁棒性和泛化能力。 ## 行业意义与展望 这项工作表明，量子机器学习在 wildfire 图像分割问题上具有潜在优势。尽管当前量子硬件仍处于早期阶段，但混合模型已在模拟环境中展现出超越纯经典方法的性能。未来，随着量子比特数量的增加和噪声水平的降低，这类方法有望在遥感、灾害响应等实时性要求高的场景中发挥更大作用。研究团队也指出，需要更多实验来进一步验证和扩展这一发现。
强化学习已成为训练与可执行沙盒交互的大语言模型智能体的主流范式。然而，当前最先进的算法如 **PPO**、**RLOO** 和 **GRPO** 在 rollout 拓扑上继承了 RLHF 的设计——对每个提示独立采样 N 条轨迹，并通过减去组基线来计算优势。这种设计忽略了沙盒的一个关键特性：**确定性、可快照、可从中断状态恢复**。来自香港城市大学等机构的研究者提出了一种名为 **分支策略优化（Branching Policy Optimization, BPO）** 的新算法，充分利用沙盒的这一特性，通过构造共享前缀的分支树来降低方差，提升训练效率。论文已被 WAIC Academic 2026 接收。 ## 核心创新：从独立轨迹到分支树 BPO 的核心思想是改变 rollout 拓扑：不再生成 N 条独立的深度为 T 的轨迹，而是构建一棵具有 N 个叶子的单棵树，其中兄弟节点共享前缀。具体而言，BPO 会（i）在骨干轨迹的高熵决策点自适应地对沙盒进行快照，（ii）在每个分支点分叉出 K 个替代动作并独立执行至终止，（iii）从兄弟节点的回报而非独立提示计算每步优势。研究者证明，该优势估计器无偏，且方差严格低于轨迹级基线，方差缩减量等于前缀解释的回报方差部分。 ## 实验验证：显著提升性能与效率 在 **WebShop**、**ALFWorld** 和 **SWE-bench Verified** 三个基准上，使用 **Qwen2.5-7B** 和 **Llama-3.1-8B** 作为骨干模型，BPO 在相同计算量下相比 GRPO 和 RLOO 将成功率提升了 **3.6–6.1 个绝对百分点**，梯度范数方差减半，并且仅使用 **38%** 的策略更新次数即可达到最佳基线性能。这表明 BPO 不仅效果更好，而且训练更稳定、更高效。 ## 行业意义：智能体训练的新方向 当前 LLM 智能体训练多沿用 RLHF 的独立采样策略，但沙盒环境的确定性为更精细的探索提供了可能。BPO 通过动态分支和共享前缀，更有效地利用了计算资源，尤其适合需要多步推理和交互的复杂任务（如代码生成、网页操作）。这一方法有望推动智能体强化学习从“独立采样”向“结构化探索”演进，为未来更复杂的沙盒任务（如机器人控制、虚拟世界交互）提供新思路。不过，BPO 在高熵点选择、分支数量等超参数上仍需进一步自动化，且当前实验仅基于 7B/8B 规模模型，更大模型上的表现有待验证。
一项新研究系统比较了10-K年报全文与Item 1A风险因素章节在金融情绪提取中的表现，发现其价值高度依赖分析层级：在行业和投资组合层面，全文情绪更准确；但在单个公司层面，风险因素部分反而更优。该研究为监管披露文本的量化分析提供了方法论指导。 ## 研究背景 金融情绪提取长期依赖新闻文本和仅针对收益标签的监督学习，而对10-K年度报告——尤其是其旨在揭示波动风险的Item 1A风险因素章节——的探索相对不足。现有研究多采用通用词典（如Loughran-McDonald）直接打分，但这种方法在监管文本上的表现存疑。 ## 方法与发现 研究者将监督式词典学习方法扩展至10-K全文及Item 1A章节，针对收益和波动两个标签，在**行业、投资组合和单个公司**三个聚合层级上训练情绪指标。实验基于**94家纳斯达克100科技公司2006-2023年间的1383份申报文件**，评估了12种情绪指标的分类准确率、与实际市场结果的相关性及词表内容。 核心发现包括： - **全文在行业和投资组合层面更优**：对于收益和波动两类标签，全文文本产生的情绪指标在行业和投资组合层面均比风险因素章节更准确。 - **风险因素在单个公司层面胜出**：在单个公司层面，Item 1A风险因素章节反而表现更好。研究者认为，这源于**文档体量与各层级独立训练信号量之间的交互效应**——公司层面信号稀疏，较短的风险因素文本更易提取有效信号。 - **Loughran-McDonald词典基线在所有层级上均与价格显著负相关**，这凸显了针对监管披露文本采用监督式方法的必要性。 ## 行业意义 该研究为金融情绪分析提供了重要启示： 1. **分析层级决定文本选择**：宏观分析应使用全文，微观个股分析则应聚焦风险因素。 2. **监督学习优于通用词典**：通用词典在监管文本中可能产生误导性结论。 3. **方法论奠基**：该研究建立的情绪生成方法论将用于后续更大规模的多源系统。 随着监管披露文本在量化投资中的重要性日益提升，这一发现有望推动更精细化的情绪分析工具开发。
在密集城市环境中，C-V2X（蜂窝车联网）网络面临一个关键挑战：如何为车辆提供可靠、低延迟的上行链路连接。由于信道快速变化和障碍物遮挡，车辆与基础设施（V2I）之间的直接链路常常性能下降。多跳中继可以有效恢复覆盖，但中继链路的激活需要同时考虑无线、容量和路由约束，这是一个NP-hard优化问题。传统上采用混合整数线性规划（MILP）求解，但其运行时间随图规模扩大而急剧增加，难以满足车联网的实时性要求。 ### 创新方案：边缘感知的学习优化框架 针对这一难题，来自意大利的研究团队提出了一种**边缘感知的学习优化（Learning-to-Optimise）框架**，用于实时中继选择。该框架将每个V2X快照建模为有向图：节点特征编码车辆状态和流量需求，边特征则捕获无线链路容量。离线MILP求解器生成最优中继配置作为监督信号，训练一个**图同构网络（GINE）**，使其能够通过单次前向传播输出边级中继激活决策，推理延迟严格受限。 ### 混合策略：GINE剪枝MILP 为了弥合学习与精确优化之间的差距，研究团队还提出了**混合GINE-Pruned MILP（GP-MILP）策略**：先用GINE预测结果剪枝MILP的搜索空间，再调用MILP求解。实验表明，GINE在链路级决策上与MILP高度一致（验证集准确率0.9589，F1分数0.9544），并能在5毫秒内完成所有实例的推理。在端到端连接增益方面，GINE相比1跳MILP基线提升显著：4个RSU场景下增益达9.2%，2个RSU场景下达12%。 ### 性能与实时性兼顾 更令人印象深刻的是，GP-MILP策略在保持与MILP等效解（目标值相同）的前提下，对超过98%的图实例实现了30毫秒以内的求解时间，使MILP级别的优化精度与NR-V2X严格的延迟预算兼容。 ### 行业背景与意义 随着5G NR-V2X标准推进，低延迟高可靠通信成为自动驾驶的关键支撑。传统优化方法在动态车联网场景中面临计算瓶颈，而**图神经网络（GNN）**的引入为实时资源分配开辟了新路径。本研究首次将**边特征图同构网络**应用于中继选择，并通过混合策略实现了精度与速度的平衡，为未来车联网中继部署提供了可行的技术方案。 ### 实验设置与数据 研究团队基于OSM-SUMO-GEMV²管道生成了大规模数据集，模拟密集城市交通场景。实验充分验证了GINE和GP-MILP在不同RSU密度下的有效性。
## 奢侈手机的新战场：AI 助理 智能手机行业的 AI 竞赛愈演愈烈，各大厂商纷纷推出 AI 功能以吸引主流消费者。但英国奢侈手机品牌 Vertu 选择了另一条路：为超富人群打造身份象征。其最新折叠屏手机 **Alphafold** 起售价 **6880 美元**，目标用户是企业高管，核心卖点并非硬件参数，而是一个名为 **Hermes Agent** 的 AI 助理，号称能自动化高管工作中的部分任务。 ### 不只是手机，更是“数字管家” Vertu 的 Alphafold 并非普通旗舰机。评测者放弃了跑分、相机和影音对比，转而模拟高管的使用场景：管理文档、分析电子表格和合同、规划商务旅行、自动化日常任务。Hermes Agent 基于开源项目 Hermes 构建，不仅能回答提问，还能**执行多步骤工作流**，跨应用完成任务，并在必要时将请求转交人工管家。 ### 硬件：奢华感与重量的权衡 Alphafold 采用**真皮小牛皮包裹**和钛合金装饰，重量达 **264 克**，比三星 Galaxy Z Fold 7 重了近 50 克。虽然手感扎实，但长时间使用会感到沉重。不过其弧形边框让展开操作更顺滑，而三星在折叠状态下的单手握持更舒适。包装和配件也延续了高端定位，开箱体验极具仪式感。 ### 实际表现：AI 能力是亮点还是噱头？ 初步测试显示，Hermes Agent 在**文件分析**和**任务自动化**方面确实有独特价值。例如，它能快速提取合同关键条款、自动生成行程安排，甚至跨应用执行操作。但 AI 的响应速度和准确性仍有提升空间，部分复杂请求需要多次尝试。Vertu 强调其**安全性和隐私保护**，这对高管用户至关重要，但具体效果仍需长期验证。 ### 小结 Vertu Alphafold 并非面向大众的产品。它是一款**极致的身份符号**，同时尝试用 AI 助理解决高管群体的效率痛点。6880 美元的价格意味着它注定小众，但对于那些追求独特性和专属服务的买家来说，这可能正是他们需要的“数字管家”。
Databricks 周四宣布获得新一轮融资，估值达到 **1880 亿美元**，由 Coatue 领投。公司未透露具体融资金额，但据其他媒体报道，本轮融资约为 **30 亿美元**。Databricks 表示资金尚未到账，交易将于今年夏天晚些时候完成。 值得注意的是，这已是 Databricks 在一年半内的第四轮大额融资。今年 2 月，它刚完成 50 亿美元的 L 轮融资，估值 1340 亿美元；去年 9 月，融资 10 亿美元，估值 1000 亿美元；而 2024 年 12 月，它曾以 620 亿美元估值完成 100 亿美元的创纪录融资。频繁的融资让网友调侃“字母表都不够用了”。 但 Databricks 的估值飙升并非凭空而来。这家成立于 2013 年的公司，最初以大数据分析软件起家，帮助企业高效存储和处理云端数据。随着 AI 浪潮兴起，Databricks 成功转型为 AI 基础设施提供商，推出了一系列产品，如面向 AI 智能体的数据库 **Lakebase**、AI 网关 **Unity**，以及管理多个智能体的 **Omnigent** 平台。 更关键的是，Databricks 成为企业采用中国开源模型（如智谱 GLM 5.2）以降低成本的典型案例，这是 2026 年 AI 行业的重要趋势之一。Databricks CEO Ali Ghodsi 上周分享内部测试结果：在 3000 名软件工程师中，通过使用开源模型进行编码，成本显著降低。 Databricks 的崛起反映了 AI 行业的一个核心变化：企业不再盲目追求大模型，而是更关注实际落地中的成本与效率。Databricks 利用其数据平台的优势，将 AI 与企业级安全、治理需求结合，成为 AI 时代的“第二幕”赢家。
在AI转录工具泛滥的当下，一位风投家通过在Zoom上改名来拒绝被录音。这一做法既讽刺又现实，引发了关于无处不在的录音文化对社交、工作与隐私影响的讨论。 ## 一个名字背后的抗议 **Bessemer Venture Partners**的合伙人 **Jeremy Levine** 在Zoom上的名字现在变成了“Jeremy Levine I do not consent to transcribing or recording”（杰里米·莱文，我不同意转录或录音）。这看似一个无伤大雅的玩笑，实则是对当前AI笔记应用泛滥的无声抗议。 据《华尔街日报》报道，Levine的这一举动源于他对“随时记录”趋势的厌恶。他认为，这种行为“完全扼杀了自发的对话”，是一种“社会不可接受的行为”。 ## 录音无处不在 另一位风投家 **Eric Bahn** 表示，他现在自动假设与创始人的会议都会被录音，即便他还没看到对方把手机滑到会议桌上。更极端的案例是，一位创始人告诉《华尔街日报》，她甚至用 **Granola** 应用录制自己的第一次约会，然后将转录文本喂给 **Claude** 分析，以评估自己是否更投入、更共情，以及谁在对话中占主导地位。 “在旧金山约会可不容易，”她自嘲道。 ## 法律与社交雷区 文章指出，这一趋势不仅是社交雷区，也是法律雷区。未经同意的录音在许多地区是违法的，但在实际场景中，界限往往模糊。更重要的是，当每一场会议、茶水间闲聊甚至浪漫约会都被转录和总结时，**到底有谁会真正去读这些内容？** 这是否会形成一种“音频垃圾填埋场”——每个对话都被记录，但没人有时间回放？ ## 工具与反思 TechCrunch 曾报道过大量AI笔记应用和设备，甚至做过排名。它们确实提高了效率，但也引发了更深层的疑问：**当记录成为默认选项，我们是否正在失去对话的即兴与真诚？** Levine 的改名行为或许是一种戏谑的反抗，但它提醒我们：在拥抱技术便利的同时，也需要重新审视隐私与社交的边界。
人形机器人领域的先行者 Agility Robotics 近日宣布，将在加州弗里蒙特开设一座占地 60,000 平方英尺的新设施，专门用于其双足机器人 Digit 的培训与部署。这一选址颇具战略意味——弗里蒙特正是特斯拉计划今年开始生产其 Optimus 人形机器人的工厂所在地，两者仅隔一条高速公路。 **先行者的底气：Digit 已实现商业化** 与仍处于原型阶段的特斯拉 Optimus 不同，Agility 的 Digit 已经进入真实商业环境。据公司透露，Digit 目前已在亚马逊、GXO、舍弗勒和丰田汽车制造加拿大公司等客户的仓库和制造工厂中执行搬运任务，累计完成超过 10 万个料箱的搬运。Agility 声称已获得价值 3 亿美元的合同订单，但未公开具体部署的 Digit 数量，外部估计约为数十台。 CEO Peggy Johnson 对与特斯拉“同城竞技”表示欢迎：“长期以来 Agility 在人形机器人领域几乎是孤军奋战，现在有更多参与者是好事。我们已经实现了商业化，知道如何满足工厂的安全标准、监管要求、IT 系统集成以及仓库管理系统对接。” **务实的技术路径：安全优先于 AI 炫技** 面对以 Figure、1X 等 AI 驱动的新一代机器人初创公司的竞争，Agility 采取了更为谨慎的技术策略。联合创始人兼董事长 Damion Shelton 强调，在涉及安全的关键环节不应依赖生成式 AI：“就像自动驾驶汽车中，你不会让 AI 控制防抱死刹车系统一样，人形机器人的所有安全机制必须走非生成式 AI 的路径。安全堆栈不能有‘创意’。” 这种实用主义态度使 Agility 在风险较高的工业场景中更容易获得客户信任。尽管 Transformer 架构和大型语言模型为机器人行为带来了巨大潜力，Agility 选择将 AI 用于提升自主性，而将底层控制留给经过验证的传统方法。 **资本运作：冲刺“人形机器人第一股”** Johnson 目前正带领 Agility 通过反向合并的方式推进上市，预计今年晚些时候将成为首家在公开市场上市的人形机器人纯业务公司。这比许多尚未实现营收的同行更早迈入资本市场。 成立于 2015 年的 Agility，由一群在双足行走技术方面取得突破的研究人员创立。如今，它正试图利用先发优势，在特斯拉、Figure 等巨头与新锐的夹击中巩固自己的市场地位。弗里蒙特的新训练中心不仅是对产能的补充，更是对行业发出的信号：人形机器人的商业化竞赛已经进入新阶段。
印度智能手机市场正经历一场由 AI 驱动的内存芯片短缺引发的“寒流”。市场研究机构 Counterpoint Research 数据显示，2024 年第二季度印度智能手机出货量同比下降 10%，创下六年来该季度最大跌幅。背后的推手并非需求疲软，而是 AI 热潮对内存芯片产能的挤占。 ## 内存芯片的“AI 溢价” AI 数据中心对高带宽内存（HBM）的渴求，正深刻改变着全球芯片产业的供需格局。三星、SK 海力士、美光等存储巨头，纷纷将产能从利润较低的消费级 DRAM 和 NAND 转向 HBM——这类专为 AI 加速器设计的芯片，每片晶圆的利润远超传统内存。产能的倾斜直接推高了智能手机所用标准内存的价格，进而拉高了手机整机成本。 ## 印度市场为何首当其冲？ 印度是全球第二大智能手机市场，但其结构高度依赖低价位机型：约 60% 的市场集中在**2 万卢比（约 210 美元）以下**的区间。Counterpoint 研究副总裁 Tarun Pathak 指出，这些对价格极度敏感的入门级机型，受内存成本上涨的冲击最大。相比之下，中国 Q2 出货量仅下降 2%，因为其市场结构更偏向中高端，对价格波动的缓冲能力更强。 ## 消费者推迟换机，品牌分化加剧 Pathak 预计，消费者不会完全放弃智能手机，但换机周期将从原先的 3.5 年延长至**4 年左右**。这一趋势正在重塑品牌竞争格局：**三星**在 Q2 实现印度出货量同比增长 2%，成为唯一保持增长的主流品牌；而**苹果**因供应链限制和库存调整，出货量下降 3%，但其高端定位使其受内存涨价的直接影响较小。 ## 更广泛的行业启示 印度的案例并非孤例，它揭示了 AI 热潮如何通过**供应链传导**，对消费电子市场产生“挤出效应”。内存厂商优先满足 AI 数据中心的高利润订单，导致普通消费者为手机支付更高价格。这一现象也提醒业界：AI 的繁荣并非总是与消费电子同频共振，有时反而会带来意想不到的“副作用”。 ## 小结 印度智能手机市场的下滑，本质上是 AI 基础设施投资与消费电子成本之间矛盾的集中体现。短期内，内存价格可能继续维持高位，迫使手机厂商在定价策略、产品配置上做出调整，并加速向高端化转型。长期来看，随着内存厂商扩产计划的落地，供需失衡有望逐步缓解，但 AI 对芯片产能的“虹吸效应”将成为未来几年消费电子行业必须面对的新常态。
在北美多地被野火烟雾笼罩的当下，谷歌支持的 **FireSat 卫星计划** 正式启动，首批卫星已成功发射入轨。该项目旨在利用低轨道卫星星座，实现对小型野火的 **快速探测与持续追踪**，填补传统气象卫星的探测盲区。 ## 瞄准早期火点，填补探测空白 传统卫星通常只能在火势蔓延至一定规模后才能发现，且受限于重访周期，难以提供实时更新。FireSat 计划通过部署多颗搭载 **红外与光学传感器** 的小型卫星，构成密集监测网络，能够识别 **仅有一个网球场大小** 的早期火点，并在数分钟内将数据传回地面。谷歌与合作伙伴 **Earth Fire Alliance** 共同推进该项目，谷歌提供 AI 模型与计算资源，用于自动识别火情并排除误报（如地面热源或云层反射）。 ## 技术亮点：AI 驱动的实时火情分析 每颗卫星配备定制化传感器，可捕捉 **中波红外与短波红外波段**，在浓烟遮蔽下仍能探测热源。地面系统则利用谷歌的 **机器学习模型** 自动比对历史数据与周边环境，快速判定是否为真实火情，并估算火势蔓延方向与速度。这些信息将直接同步至消防部门与公众平台，为疏散与灭火争取宝贵时间。 ## 行业背景与落地价值 近年来，北美野火季持续延长，2023 年加拿大野火导致美国东海岸空气质量严重恶化，凸显了早期预警的迫切性。FireSat 计划的直接竞争对手包括 **NASA 的 MODIS 与 VIIRS 传感器**，以及商业公司如 **Planet Labs 的 SkySat**。FireSat 的优势在于 **专为野火优化** 的传感器设计，以及谷歌 AI 带来的 **低延迟处理能力**，有望将火灾发现时间从小时级缩短至分钟级。 不过，项目仍处于初期部署阶段，首批卫星仅为 **概念验证**，完整星座预计需要数十颗卫星才能实现全球覆盖。谷歌强调，FireSat 数据将 **免费开放** 给研究机构与应急部门，避免商业垄断。 ## 小结 FireSat 的升空标志着 AI 与遥感技术结合应对气候灾害的新尝试。若后续部署顺利，它可能成为全球野火监测的 **基础设施级工具**，但短期内仍需验证其实际探测精度与覆盖能力。对于正在经历烟雾困扰的北美居民而言，这项技术或将在下一个火季发挥作用。
TikTok 正在推出一项新工具，允许创作者主动检测平台上是否存在利用其肖像的 AI 生成内容。该工具目前处于测试阶段，仅对部分美国创作者开放。创作者需先通过第三方公司 Jumio 完成身份验证，包括实时自拍扫描和证件核验。TikTok 表示不会保留身份证件，面部信息仅用于肖像匹配和检测。验证后，系统会自动扫描平台上的 AI 内容，并列出可能未经授权使用创作者肖像的帖子，创作者可自行审查并举报。这一举措紧随 YouTube 之后，后者近期已向所有成年用户开放了类似功能。 在 AI 生成内容日益泛滥的背景下，深度伪造技术对个人肖像权构成了严重威胁。TikTok 和 YouTube 等平台纷纷推出检测工具，旨在平衡技术发展与创作者权益保护。TikTok 发言人 Zachary Kizer 强调，该工具是“选择加入”的，创作者可自主决定是否启用。尽管初始测试范围有限，但这一方向表明平台正在加强对 AI 内容的治理。随着生成式 AI 的普及，如何精准识别并处理未经授权的数字肖像，将成为社交媒体平台面临的核心挑战之一。