大型语言模型在软件开发中已成为基础设施，但其生成的代码质量受训练数据影响。Sonar的研究表明，低质量数据会导致安全漏洞和维护问题。通过数据质量工程，团队可以改善训练数据，提高模型输出的安全性和可维护性，有效的数据筛选能显著减少代码缺陷，提升开发效率。

谷歌将更新搜索服务的历史设置，保存用户的搜索互动，包括使用Google Lens的图片、实时搜索录音和翻译语音。用户可以选择关闭此功能，谷歌表示这些数据将用于改进服务和个性化推荐。如果用户已阻止保存搜索历史，谷歌将继续保持该设置关闭。

摩尔线程发布了开源大模型MusaCoder，专为GPU底层算子生成设计，支持从PyTorch自动生成高性能CUDA/MUSA代码，提升开发效率。MusaCoder在KernelBench评测中表现优异，超越多款主流模型。其全链路训练依托国产MTT S5000集群，验证了国产GPU的强大能力，推动GPU编程和AI技术的创新与应用。

大晓机器人与港中文MMLab推出Kairos-Homeworld，这是首个全屋三维生成与物体级交互框架，利用30万套中国住宅户型数据为机器人提供训练环境。该系统能够自动生成家庭场景，支持机器人进行家务任务训练，提升交互能力。同时，开源的Kairos 3.0-4B世界模型增强了机器人的理解与预测能力，推动具身智能的发展。

TACK 是 AI Laboratory for Molecular Engineering 于 2026 年发布的一个标准化知识库数据集与基准测试集，旨在解决现有 PROTAC 机器学习基准中数据稀缺、缺乏严格评估及覆盖范围有限的问题，广泛应用于 PROTAC...

NVIDIA的研究展示了通过大规模训练提升机器人抓取、自动驾驶和虚拟代理能力的突破。GraspGen-X模型适应不同抓手，LCDrive加速自动驾驶决策，NitroGen在虚拟环境中训练代理，提升其适应性和表现。这些进展推动了物理AI和自主系统的发展。

语音增强（SE）面临数据、目标和任务等挑战，自监督学习（SSL）逐渐成为解决方案。SSL通过未配对数据学习和生成式方法，重塑了SE的训练目标。研究表明，SSL特征在增强任务中有效，未来将关注多任务统一增强、低信噪比生成模型及可控的语音生成。整体来看，SSL为SE提供了更强的先验和设计空间。

清华大学智能产业研究院推出了全新的机器人强化学习训练架构UniLab，打破了传统依赖GPU的训练模式。UniLab通过将仿真解耦到CPU侧，实现了更高的训练效率，并已开源，未来将扩展为通用的机器人学习研究平台。

马斯克的人工智能公司xAI正在全球招聘“中文AI训练师”，以提升其大模型Grok的语音互动和多语言处理能力。该职位时薪35至45美元，工作灵活，适合寻求副业者。申请者需精通中文和英语，熟悉方言者优先，主要负责语音标注和录音采集等任务。

复旦大学与通义实验室联合提出ToolCUA，旨在优化计算机使用代理（CUA）在GUI与工具调用之间的选择。研究表明，直接连接工具未能提升模型性能，反而导致准确率下降。ToolCUA通过生成混合轨迹数据，帮助模型学习何时使用GUI或工具，从而提高任务执行效率。在OSWorld-MCP上的评测结果显示，ToolCUA取得46.85%的准确率，显著优于其他模型，展示了其在复杂任务中的有效性和灵活性。

上海创智学院的罗剑岚团队发布了全球最大规模的开源预训练具身世界模型τ0-WM，使用了17800小时的真机遥操作数据。该模型通过评估多个候选动作，提升了机器人在复杂任务中的成功率，推动了预训练与后训练的结合。

本文介绍了如何结合Amazon SageMaker AI与Qualcomm AI Hub，实现从云端训练到端侧NPU的端到端工作流。通过微调模型并在真实设备上进行编译与验证，整个过程可在约20分钟内完成，显著缩短了AI项目的上线时间。以手机人像分割为例，最终在Galaxy S24上实现了13.59毫秒的推理延迟，展示了该方案的高效性与实用性。