豆包与火山引擎推出AI原生车载助手，将落地上汽多款车型
豆包与火山引擎于9月17日发布“豆包座舱助手”，将大模型能力应用于汽车座舱。该产品结合豆包大模型与火山引擎云基础设施，主打更自然的语音交互、上下文理解和多场景协同。上汽集团已成为其首个主要汽车合作伙伴，首款搭载车型荣威家越07已开启预售，上汽奥迪相关车型预计于年内亮相。双方还计划将更多新功能陆续应用于其他车型。这是生成式AI在车载场景中的一次商业化落地，但产品的实际性能、稳定性和市场接受度仍需经过
AI 新闻中心
AI 新闻中心 过去30天分析了 4604 篇文章，发现了 0 条重要报道 (分数 ≥ 5.5)
获取从可信来源聚合的最新 AI 新闻。
人工智能能决定什么样的脸才算美吗？
当人工智能开始判断哪些面部特征才算美丽，会带来什么后果？爱丽丝·拉斯曼探讨新型人工智能美容工具引发的社会与伦理影响。来源：彭博社。
信心源于经验：从推理到智能体的经验式置信度估计
该研究提出 XConf，一种结合当前推理过程与过往评估经验来估计语言模型置信度的方法。系统会记录过去的任务、模型反思、自报置信度、结果，以及评分完成后总结的经验教训。面对新任务时，XConf 会检索任务相似且自报置信度接近的历史案例，并依据其历史成功率重新评估置信度。该方法无需访问 logits，也无需更新模型权重，每次只需生成一次答案。在涵盖推理、编程、多模态问答和交互式智能体的九项基准测试中，
字节跳动推出豆包座舱助手，打通 App 与车辆；上汽荣威家越 07 首搭
字节跳动旗下火山引擎正式发布车载 AI 系统“豆包座舱助手”。车主可通过豆包 App 远程控车、查询车况，并将对话中生成的行程发送至车机。该助手可识别数百种车辆信号，联动车控、导航、辅助驾驶和娱乐等功能，还能将复杂任务拆分为多个步骤执行。火山引擎同时推出车载“豆包屏”，支持多音区语音识别和长期记忆，可记录用户偏好。火山引擎目前已与上汽集团合作，上汽荣威家越 07 将成为首款搭载该助手的车型，并将于
华为计划于2027年推出昇腾960DT和960PR人工智能芯片
华为轮值董事长徐直军表示，公司计划在2027年推出两款新的人工智能半导体。昇腾960DT预计于2027年第一季度发布，昇腾960PR则计划在第三季度推出。他表示，华为的UnifiedBus技术将成为下一代大型人工智能系统的关键。目前这些产品仍处于规划阶段，详细性能规格尚未公布。
洛杉矶港执行主任塞罗卡谈人工智能、贸易与供应链
洛杉矶港执行主任吉恩·塞罗卡介绍了人工智能如何改变航运和物流。他还谈及贸易关税，以及地缘政治风险下供应链的调整。塞罗卡在彭博节目《Insight with Haslinda Amin》中接受了哈斯琳达·阿明的采访。
英伟达展示 DSX MaxLPS：AI 工厂每兆瓦令牌吞吐量最高提升 40%
英伟达在 AI 基础设施峰会上展示了面向 AI 工厂的 DSX MaxLPS 功耗调度系统。英伟达称，该技术可使每兆瓦令牌吞吐量最高提升 40%。Emerald AI 已将其集成到 Conductor 平台，用于根据电网状态调整数据中心的用电需求。GPU 云服务商 Lambda 的测试显示，在固定功率预算下，令牌吞吐量提升 24%，每瓦性能提升 23%。英伟达还表示，Vera Rubin 和 Gr
“我们不会停下”：Salesforce英国及爱尔兰区CEO呼吁加强AI培训和技能培养
Salesforce英国及爱尔兰区CEO呼吁扩大人工智能培训和技能培养，让全国各地的员工和用户都能从这项技术中受益。
冰岛公司 Treble 为语音模拟平台融资 1800 万美元
总部位于冰岛的 Treble 已为其语音模拟平台筹集 1800 万美元。该技术被语音人工智能模型开发商，以及人工智能可穿戴设备和机器人企业使用。
谷歌、英伟达与Emerald AI成立联盟，推动数据中心灵活用电
谷歌、英伟达和Emerald AI成立了AI Energy Management Alliance。该联盟旨在帮助数据中心根据电网状况动态调整用电量，从而减轻电力系统压力，并推动人工智能计算所需数据中心基础设施的扩展。
查尔斯国王希望人工智能领袖承诺保护人类
这位英国君主计划向人工智能领域一些最具影响力的人士寻求保证，要求他们确保能够控制自己开发的技术。
SpectralShift：通过谱重参数化有效扩展 Gated DeltaNet 的上下文窗口
该研究探讨如何扩展用于长上下文建模的线性注意力架构 Gated DeltaNet（GDN）的上下文窗口。研究发现，远距离信息检索需要两个条件：足够宽的慢衰减状态动态频谱，以及保留用于状态清除和上下文切换的快衰减模式。SpectralShift 通过调整 alpha 投影的初始化来重塑衰减频谱，并对相关投影采用学习率缩放，以支持长上下文持续预训练。实验表明，该方法在训练过程中能够持续提升长上下文能力
面向大语言模型偏好对齐的零阶范式
论文提出了基于比较的偏好优化方法（ComPO），这是一种让大语言模型对齐人类偏好的零阶方法。ComPO不直接优化可微分的偏好损失，而是从偏好比较中提取更新方向信息。作者在特定假设下，为离线和在线版本建立了收敛性与性能保证。在Mistral、Llama、Gemma、Qwen和Gemma-3模型上的实验表明，ComPO优于现有的直接对齐方法，包括在长度控制胜率方面取得改进。
ActionPiece 重新思考自回归视觉语言动作模型的动作标记化
ActionPiece 是一种面向自回归视觉语言动作模型的动作标记化方法。研究人员提出 Physical Rank Consistency（PRC），用于衡量动作重建后是否保留不同动作之间的相对物理距离。该方法将关系监督与重建损失、量化正则化结合起来。在相同的 Qwen3-VL-4B 策略训练设置下，ActionPiece 在 LIBERO 上达到 94.8%，在包含未见场景的 LIBERO-Pl
小米直播训练 MiMo-V2.6，研究强化学习的扩展极限
小米 MiMo 团队在今年 4 月开源 MiMo-v2.5 后，已投入近半年研发 MiMo-V2.6，重点研究强化学习究竟能扩展到多大规模。目前该模型仍处于训练中期。团队扩展了计算资源、多任务智能体的环境与工具，以及用于评分和信用分配的计算资源。训练总成本已超过 125 万美元。小米计划在未来几周逐步公开更多技术细节，但模型的正式发布时间尚未确定。