新方法讓壓縮後的 4 位模型擊敗全精度版本
為什麼值得讀 開發者應關注此方法，因為它能恢復在壓縮和量化過程中通常會丟失的功能。
一種新的修復技術使壓縮後的 4 位模型在七項基準測試中勝過其全精度原始版，恢復了量化過程中通常會喪失的能力。
歷史
大型語言模型智能體中的跨任務技能遷移：子任務與文本勝出
為什麼值得讀 開發自主智能體的開發人員可以通過將記憶體結構化為文本形式的子任務來提高可靠性。所提出的效用評分提供了一種執行前的診斷工具，用於篩選有效的技能。
研究發現，子任務級別的歸納與文本格式能使大型語言模型智能體實現可靠的技能遷移，其表現優於任務級別和基於代碼的方法。
MidTool：透過中期訓練增強代理能力
為什麼值得讀 本研究顯示，專為強大代理工具使用而設計的中期訓練至關重要，為僅依賴後期訓練方法的大型語言模型提供了更優的替代方案。
MidTool 引入中期訓練流程，結合網路資料與合成 API 監督，顯著提升 Qwen3 模型的通用工具使用能力。
任務模型誘導從電腦軌跡中恢復交錯工作流
為什麼值得讀 構建桌面智能體的 AI 工程師可利用 TMI 從原始互動數據中學習真實世界的工作流，從而實現更穩健且可審計的任務執行。
新的 TMI 方法從被動電腦使用軌跡中提取結構化任務模型，顯著提升了智能體相對於現有基準的準確率。
科羅拉多州 AI 法案原訂今日生效，現在要等到 2027 年了
為什麼值得讀 美國第一部全面性州級 AI 法律，在生效前就被改寫了。這種「立法、再在執法開始前因產業壓力而廢改」的順序，是其他州值得關注的範本。
5 月 14 日簽署的 SB 189 大幅削弱科羅拉多 AI 法案，將生效日從 2026 年 6 月 30 日延至 2027 年 1 月 1 日，改為僅要求揭露的規範架構。
GitHub Copilot 結束首個按用量計費週期——代理式用戶感受到衝擊
為什麼值得讀 吃到飽式 AI 編程工具，原本就是用輕度自動完成用戶的費用補貼重度代理式用戶。Copilot 現在停止了補貼——而第一張帳單，正是大家在公告貼文中跳過沒看的那部分。
Copilot 於 6 月 1 日改採按 token 計費，6 月 30 日結束首個計費週期；代理式用戶反映帳單暴增至原訂閱費的 10 到 50 倍。
OpenAI 預覽 GPT-5.6 Sol、Terra、Luna——存取權卡在美國政府審查之後
為什麼值得讀 模型已就緒，政策卻還沒跟上。前沿模型發布卡在政府審批而非 OpenAI 產能上，這是開發者該預期會再次看到的新治理模式。
OpenAI 於 6 月 26 日發布 GPT-5.6 Sol／Terra／Luna——Sol 在 Terminal-Bench 2.1 拿下 91.9%，但存取權僅限約 20 家獲美國政府核准的合作夥伴。
自駕卡車——為何高速公路貨運可能比機器人計程車更早實現獲利
Aurora已在I-45啟動無人駕駛商業貨運。自駕卡車每英里節省的人力成本是計程車的10倍，市場規模是叫車服務的4倍，可能率先達到獲利。
自動駕駛無障礙——6500萬無法開車的美國人與這項技術的世代意義
對6500萬無法開車的美國人——老年人、身障者、視障者——自動駕駛不是便利升級，而是獨立自主的恢復。
自動駕駛無障礙——自動車如何改變老年人與身障者的行動自由
自動駕駛車輛有望為3,000至4,000萬名因身障或老化而無法駕車的美國人恢復行動自主——但前提是正確設計。
自駕車惡劣天氣性能——雨、雪、霧如何影響感測器，以及為何 Waymo 留守鳳凰城
雨水破壞攝影機、霧氣摧毀雷達光達、毫米波雷達幾乎無懼天候——地理氣候決定了無人駕駛計程車真正能落地的城市。
自動駕駛競爭版圖——Aurora、Zoox、Cruise：誰還在賽跑中？
自動駕駛不只是特斯拉對Waymo。Aurora已啟動無人卡車商業運營；Zoox仍在測試；Cruise在2023年事故後重建中。
自動駕駛消費者採用與乘車體驗指數 — 斜坡成長的需求面分析
乘車NPS、定價對比Uber/Lyft、採用曲線——消費者需求能否支撐自駕車規模目標的全面分析。
自駕車資安 — 可能阻斷實體 AI 浪潮的攻擊面全景
自駕車是聯網的電腦。大規模車隊遭駭可致人死亡，並讓實體 AI 投資論題倒退數年。
自駕車資安：遠端攻擊向量，以及 Tesla 與 Waymo 如何防護其車隊
自駕車資安全景：攻擊面分析、研究記錄的威脅類別、Tesla vs Waymo 防禦架構，以及重大資安事件對整個產業的影響。
自駕車資料即商業 — 車隊資料所有權與機器人計程車競賽背後的隱藏變現模式
每輛自駕車都是資料收集機器。誰擁有車隊資料？機器人計程車競賽背後藏著哪些變現模式？
AV 資料飛輪比較 — Tesla 數量 vs. Waymo 品質與 AI 訓練競賽
Tesla 擁有數十億英里的監督里程；Waymo 擁有數千萬英里完全無人駕駛里程。哪種資料類型能贏得 AI 訓練競賽？
自動駕駛資料飛輪 — Tesla 600萬輛 vs Waymo 無人駕駛品質優勢
Tesla 收集數量，Waymo 追求品質。哪個資料飛輪能在2028年前打造出更強的自動駕駛系統？AV投資人必讀的結構性護城河比較。
自駕車緊急車輛互動——機器計程車如何應對警車、救護車與消防車
偵測警報聲、讓行消防車、解讀警察手勢——緊急車輛互動是自駕車最難的邊緣情境之一，且已引發真實監管行動。
自動駕駛財務永續性 — 燒錢速率、資金跑道，以及誰能負擔得起實體AI爬坡
全面分析Waymo、Tesla、Aurora等頂尖自駕車計畫的燒錢速率、資金跑道與單位經濟學，揭示誰能完成實體AI爬坡。