Fulu 为破解 Ring 视频门铃的悬赏已达到 23,000 美元。Ring 是亚马逊旗下的产品，广泛用于家庭安防监控。然而，用户无法控制这些摄像头生成的视频数据，所有数据都被传输到亚马逊的服务器上。Fulu 的悬赏旨在鼓励开发一种软件或固件修改，使得 Ring 门铃可以直接与本地 PC 或服务器集成，而不再需要连接到亚马逊的服务器。此举不仅能增强用户对数据的控制，还能保留设备的运动检测和夜视等功能。这一悬赏反映了对数据隐私和用户控制权的日益关注。
Anthropic Labs推出了Claude Design，这是一个新的产品，利用Claude Opus 4.7视觉模型帮助用户创建设计、原型、幻灯片等视觉作品。该产品允许用户通过对话、内联评论和自定义滑块进行设计迭代，并自动应用团队的设计系统以确保输出的一致性。Claude Design为设计师提供了更广泛的探索空间，同时也为非设计背景的用户提供了创建视觉作品的途径。该工具已经被用于创建交互式原型、产品线框图、设计探索、演示文稿和营销材料等。
缅因州立法通过了全美首个州级大型数据中心建设暂停令，冻结了对耗电超过20兆瓦的数据中心的建设审批，为期一年半。此举是对AI模型训练和部署所需的大型计算设施的反对，因其可能导致电费上涨和环境污染。尽管数据中心开发商承诺带来经济利益，但缅因州的立法者认为这些好处未能惠及当地居民。此举可能影响投资并使缅因州失去经济机会，但也反映了对环境和社区影响的担忧。其他州也在考虑类似措施，以应对数据中心对电网和环境的压力。
NVIDIA推出了Nemotron OCR v2，这是一款多语言光学字符识别（OCR）模型，利用合成数据实现了高效的文本识别。通过程序化地将文本渲染到图像上，生成了1200万张合成训练图像，涵盖六种语言，使得非英语语言的NED（归一化编辑距离）得分从0.56-0.92降低到0.035-0.069。该模型在单个A100 GPU上实现了每秒34.7页的处理速度。合成数据生成方法提供了可扩展性，能够适应任何存在字体和源文本的语言。这一技术突破不仅提升了OCR的准确性和速度，还为多语言文本处理提供了新的可能性。
Anthropic的研究表明，基础设施配置对代理编码基准测试的影响可能超过模型之间的排名差距。在Terminal-Bench 2.0的实验中，不同资源配置的得分差异达到6个百分点。代理编码评估不同于静态基准测试，模型在完整环境中进行编程、测试和迭代，运行时环境成为问题解决过程的重要组成部分。尽管Terminal-Bench 2.0已指定每个任务的推荐CPU和RAM，但资源执行方法的差异仍会影响基准测试结果。这一发现强调了在评估模型能力时考虑基础设施配置的重要性。
Anthropic介绍了Claude Managed Agents，这是一项托管服务，旨在通过一组持久的接口运行长时间的代理任务。该服务解决了如何为“尚未构思的程序”设计系统的问题，类似于操作系统将硬件虚拟化为抽象概念。Managed Agents通过虚拟化代理的组件（如会话、控制环和沙箱），使其能够适应不断变化的实现。此举不仅提升了代理的灵活性和持久性，还为开发者提供了更稳定的开发环境。
随着核电站主控制室的数字化，操作员的交互模式发生了根本性变化，现有的人类可靠性分析方法无法充分应对由此带来的复杂软控制行为和认知风险。NuHF Claw 提出了一种持续的认知风险代理框架，通过风险约束的代理运行时，将认知状态推断与概率安全评估紧密结合，以实时调节自主系统行为。实验验证表明，NuHF Claw 能够预测界面引发的认知退化，动态约束不安全的自主建议，并在保留人类决策权的同时提供风险感知的导航指导。这标志着从自动化驱动操作向认知感知自主性的根本转变，为智能代理安全集成到下一代核控制环境中提供了原则性路径。
本文提出了一种信息几何框架，用于分析专家混合（MoE）模型的专业化动态。通过费舍尔信息度量，研究者能够在概率单纯形上分析专家路由分布的演变。研究表明，传统的启发式度量不具备参数化不变性，并且专业化对应于测地流动。提出的费舍尔专业化指数（FSI）与下游性能的相关性达到0.91，而费舍尔异质性评分（FHS）在训练完成10%时预测失败的AUC为0.89，显著优于基于验证损失的早停策略。实验验证了该框架在语言建模、视觉MoE和扩展研究中的有效性。
MiniMax-M2.7 是 MiniMaxAI 推出的首个深度参与自我进化的模型。该模型能够构建复杂的代理框架，完成高复杂度的生产力任务，并利用代理团队、复杂技能和动态工具搜索。M2.7 在开发过程中通过自我更新记忆、构建复杂技能进行强化学习实验，并基于实验结果改进学习过程。其在 MLE Bench Lite 上的表现仅次于 Opus-4.6 和 GPT-5.4，获得了66.6%的奖牌率。此外，M2.7 在软件工程领域表现出色，能够进行日志分析、故障排除、代码重构和安全性检查，并在多次生产事故中将恢复时间缩短至三分钟以内。其在 SWE-Pro、SWE Multilingual 和 Multi SWE Bench 等基准测试中表现优异，支持多代理协作和自主决策。
SAGEA 推出了最新的通用 Celer 模型 SAGE Celer 2.6，提供 5B、10B 和 27B 参数版本。该模型经过架构修改和进一步预训练，采用逆向推理（IR）管道，能有效验证自身逻辑路径，减少复杂推理任务中的错误和幻觉。SAGE Celer 2.6 集成了多模态功能，具备端到端视觉编码器，避免了适配器方法的常见问题。其在数学、编码和通用智能基准（ACUMEN）上表现出色，尤其针对南亚语言进行了优化，支持 Devanagari 脚本的自定义分词器，在尼泊尔语和印地语上表现优异，同时保持了英语推理能力。