AI 被指为 PS5 越狱激增的主要原因
新的 PS5 越狱方法、模拟器以及利用 AI 反编译的游戏正快速出现。这一由 AI 推动的趋势可能对索尼构成严重威胁，但其具体影响目前尚未得到证实。
AI 新闻中心
AI 新闻中心 过去24小时分析了 163 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。
WindBorne 获美国空军近5000万美元合同，提供气球气象数据
硅谷初创公司 WindBorne 利用气象气球和人工智能预测天气，近日获得一份价值近5000万美元的美国军方合同。
Muse Wonder让Meta重返AI前沿
据称，Meta规模最大的模型可与全球顶尖模型竞争，并加入了旨在防止AI智能体失控的新功能。
扎克伯格称 Meta 凭借 Wonder 模型追上 AI 领域领先对手
马克·扎克伯格在接受《金融时报》采访时表示，Meta 凭借 Wonder 模型追上了 AI 领域的主要竞争对手。在为参与 AI 竞赛投入巨资后，他仍反对放慢开发的呼吁。文章简介没有提供支持该模型性能说法的技术证据。
Meta计划用Wonder驱动AI助手Muse，初期面向订阅用户
Meta计划使用Wonder驱动AI助手Muse，初期先面向订阅用户。该公司还表示，将开发可提供给所有Muse用户的专用模型。Meta称这些模型能够与业内顶尖产品竞争，但报道没有提供支持这一说法的独立证据。
Meta称Wonder包含Active Memory和Active Focus，可支持AI长时间工作
Meta称，Wonder包含Active Memory和Active Focus，旨在帮助AI系统在较长时间内完成更有用的工作。Meta周一发布了一个新的AI模型系列，并称其能够与技术前沿的模型竞争。现有描述没有提供具体技术细节，也没有独立证据支持这一说法。
Meta 推出两款新 AI 模型：Muse Wonder 和 Muse Wonder Full
继推出重组后的 Superintelligence Labs 部门首款模型 Muse Spark 后，Meta 又发布了 Muse Wonder 和 Muse Wonder Full。该公司称，这两款模型能够与业内顶尖产品竞争。报道没有提供基准测试结果或更多技术细节。
OpenAI 在爱尔兰新增职位，扩大欧盟总部
OpenAI 宣布在都柏林新增职位，这是 ChatGPT 开发商欧洲总部快速发展的又一迹象。
Meta称新款Muse模型历经14个月研发后达到AI前沿水平
Muse Wonder将成为Meta投入高昂成本并重新组建的超级智能团队的一项重要考验。
临床人员使用语言模型的方式与模型评估方式存在差异
一项研究分析了为期八个月的部署期间，来自35个专科的6,342名医生和护理人员向机构临床AI助手提交的127,833条查询，发现实际使用与常见基准测试之间存在差距。文档处理和行政事务占查询的36.2%，知识检索占28.9%，诊断占3.7%。超过三分之一的查询按原有信息无法得到良好回答。对58项公开基准测试的分析显示，中位数基准测试不包含文档处理请求，与实际使用中的任务构成仅有31%相符。研究指出，
当 AI 运营公司时，领导者究竟还有什么作用？
领导者今后或许不仅要关注流程是否正常运转，还要了解 AI 系统正在学习做什么。文章探讨了 AI 智能体、企业模型与 ERP、CRM 等管理工具结合后优化公司运营的可能性。面对穆斯塔法·苏莱曼关于 AI 可能在未来 12 个月内取代大多数白领工作的预测，作者提出疑问：当这些系统投入使用后，领导力意味着什么？
当 AI 系统出故障时，该怎么办
维护是使用任何 AI 系统都需要承担的成本。新模型或功能的发布令人期待新的可能，也让人担心现有流程和系统可能因此出问题。
基于视频条件生成的手部二维与三维运动恢复
研究人员提出 JoHan，一种从视频序列中恢复手部三维运动的生成式方法。该模型不依赖逐帧姿态预测，而是联合生成时间上对齐的二维和三维手部姿态，并利用两种表示之间学到的对应关系，估计手相对于摄像机的位置和方向。该方法旨在应对遮挡和视觉信息不完整的问题，同时在保持单帧姿态精度的基础上生成更平滑的动作。作者报告称，该方法在具有挑战性的基准测试中提升了准确率和速度。
通过数据空间迭代实现少步生成
流匹配能够支持高质量生成模型的规模化训练，但采样通常需要多次网络评估。该方法不再沿概率流的固定离散时间步迭代，而是在数据空间中逐步改进预测，从而降低成本。在类别条件式 ImageNet 256 × 256 实验中，该方法优于标准离散化基线，并达到或超过通过调度搜索选出的变体，且无需针对特定调度单独训练。
GATOR：从日常图像生成式、智能体式重建三维物体
GATOR 是一种生成式智能体框架，可根据一张或多张日常图像重建带纹理的三维物体，并估计其相对于场景的位置和姿态。该方法将多视角图像、目标掩码和点图特征与文本语义引导相结合。随后，多模态智能体通过观察、编辑、渲染和复核的循环来细化几何结构与纹理。研究团队在合成物体和室内场景上的评估显示，该方法具有较高的几何与外观保真度、较高的重建效率，生成结果也适用于模拟。