Figma 博客：AI 时代如何快速做对的事
Figma 开发者布道师 Jake Albaugh 在博客中指出，AI 让构建软件的门槛消失，但速度容易掩盖判断力，团队应避免不加审视接受 AI 输出的“认知投降”。文章引用 Google 关于 agentic coding 的白皮书，强调用测试、类型检查等确定性层和高信号上下文约束智能体，并提到 Figma MCP 中的 Code Connect 可把真实生产代码交给智能体，减少技术债。
匹配字段摘要、正文
←搜索结果
搜索“Agent”
LiveKit 如何处理零数据保留（ZDR）
LiveKit 宣布其 Inference 平台上的所有 LLM、STT、TTS 模型默认启用零数据保留（ZDR），无需设置开关、升级套餐或配置控制台，且适用于所有 LiveKit 套餐。ZDR 要求不保留、不记录日志、不训练、不聚合用户数据，LiveKit 通过合同承诺、账户或工作区配置以及每次请求的参数来强制第三方提供商遵守，无法达标的提供商不会接入。Agent 可观测性保留转录和音频 30 天，Egress 录制存入用户自有云存储，语音克隆样本在最后一次使用 12 个月后删除。
匹配字段摘要、正文
DeepSeek Harness v0.1 开放开发者预览并以 MIT 许可证开源
DeepSeek Harness v0.1 现已开放开发者预览，并以 MIT 许可证开源，面向全球构建智能体运行框架的开发者。该项目由 Cordis 元框架驱动，将模型、工具、技能、会话、沙箱、文件系统、循环、编排和 UI 均实现为可组合、替换和扩展的插件。
DeepSeek Harness v0.1 现已开放开发者预览，并以 MIT 许可证开源，面向全球构建智能体运行框架的开发者。该项目由 Cordis 元框架驱动，将模型、工具、技能、会话、沙箱、文件系统、循环、编排和 UI 均实现为可组合、替换和扩展的插件。 · DeepSeek Harness v0.1 is now available in Developer Preview and open-sourced under the MIT License for developers building agent harnesses worldwide. Powered by the Cordis meta-framework, it implements models, tools, skills, sessions, sandboxes, filesystems, loops, orchestration, and UI as plugins that can be mixed, matched, replaced, and extended.
匹配字段摘要、正文
DeepSeek 发布 DeepSeek-V4-Pro
DeepSeek 发布 DeepSeek-V4-Pro，重点升级 Agent 能力，并为 V4-Pro 与 V4-Flash 提供 low、high 和 max 三档推理强度。该模型原生支持 OpenAI Responses API，并针对 Codex 优化；现已通过 app/web 的“Expert Mode”和 API 提供，模型名称保持不变。
DeepSeek 发布 DeepSeek-V4-Pro，重点升级 Agent 能力，并为 V4-Pro 与 V4-Flash 提供 low、high 和 max 三档推理强度。该模型原生支持 OpenAI Responses API，并针对 Codex 优化；现已通过 app/web 的“Expert Mode”和 API 提供，模型名称保持不变。 · DeepSeek launched DeepSeek-V4-Pro with major Agent upgrades and low, high, and max reasoning-effort settings for V4-Pro and V4-Flash. The model natively supports the OpenAI Responses API and is optimized for Codex; it is now available through “Expert Mode” on the app and web, as well as via API, with model names unchange
匹配字段摘要、正文
复现 ICML 2,200 篇论文后，我们学到了什么
Hugging Face 与 alphaXiv 组织社区借助编码智能体复现了 2,226 篇 ICML 2026 论文，并公开实验日志、代码和产物。受检论文中，51% 至少有一项主张获独立验证，23% 至少有一项被证伪或存在争议；结果也显示，智能体会误判尺度效应或单位问题，可靠审查仍需人类引导。
2,226 篇 ICML 2026 论文，并公开实验日志、代码和产物。受检论文中，51% 至少有一项主张获独立验证，23% 至少有一项被证伪或存在争议；结果也显示，智能体会误判尺度效应或单位问题，可靠审查仍需人类引导。 · Hugging Face and alphaXiv organized a community effort using coding agents to reproduce 2,226 ICML 2026 papers, publishing the experimental logs, code, and artifacts. Among the examined papers, 51% had at least one claim independently verified, while 23% had at least one claim falsified or contested; the results also showed that agents can misread scale-dependent behavior or unit misma
匹配字段摘要、正文
腾讯混元发布自进化智能体可靠性综述
腾讯混元发布综述《Diving into Reliable Self-Evolving Agents》，系统梳理智能体自我进化方式及验证每次更新可信度所需的证据。该综述提出自进化智能体的 L0–L4 分类体系与可信更新可靠性阶梯，并整理 549 篇工作形成开放配套目录。其核心原则是：任何更新都不应掌控用于认可自身的唯一证据。
匹配字段摘要、正文
ian 分享 Grok Bot 早期测试使用技巧
Grok Bot 进入早期 beta，定位为替你干实事的 AI 队友：登录你的工具、像你一样操作并交付完成的工作。ian 列出使用技巧：bot 会记住你的偏好和写作语气，可重复执行任务（如每天 7am 备好一篇帖子、未来 5 小时每 10 分钟截一次 Mac 屏），拥有 24/7 运行的自己的电脑，能访问你的 Mac 并执行命令，可盯 Slack 线程和 GitHub Actions，能管理云端 agent 并行跑多个编码任务，bot 之间可互相通信（他用一个叫 jarvis 的 chief of staff 分派给 5 个工程 bot），bot 还能创建新 bot，并支持命名、头衔、头像、侧边栏分组和置顶。他邀请大家试用并反馈可以补充什么。
匹配字段摘要
Nvidia 发布 Nemotron 3.5 Lightning 模型与 NeMo Switchyard 路由库
Nvidia 发布 Nemotron 3.5 Lightning 开源模型和 NeMo Switchyard 路由库，前者面向持续运行的智能体任务，官方称在同级中实现 4 倍吞吐、完成智能体任务速度提升 30%，并可在 Jetson、GeForce RTX、DGX Spark 和 DGX Station 上本地运行。Switchyard 让开发者自定义模型池、路由标准和策略，把推理密集型步骤交给前沿模型、把执行类任务交给 Lightning，官方称其以 Anthropic Opus 4.8 约三分之一成本取得更好准确率。Nvidia 同时公开训练数据与方法，并发布用于训练编码智能体的开放数据集 Nemotron-RL-Agentic-Terminal-Pivot。
匹配字段摘要、正文
蚂蚁百灵开源 Ling-3.0-tiny：7.9B 总参数、1.3B 激活参数
蚂蚁百灵正式开源 Ling-3.0-tiny，这是一款总参数 7.9B、推理时仅激活 1.3B 参数的原生混合推理模型，同步提供 BF16、FP8 和 INT4 三个版本。官方称其在 Artificial Analysis Intelligence Index 获 25 分，Agentic Index 达 16 分，输出速度超过 160 tokens/s。模型可在单台 NVIDIA DGX Spark 上完成 FP8 推理，权重约 7.85GB，并已完成 Apple Silicon 的 MacBook 与 Mac mini 本地运行适配。
匹配字段摘要、正文
Sierra 推出 Voice Personas：为 AI 智能体打造品牌专属语音人格
Sierra 发布 Voice Personas，让企业为同一个 AI 智能体配置不同语音、人格与语言行为，覆盖不同品牌、市场和文化场景。该功能由 Sierra Agent SDK 支持，可调整语速、自然应对打断，并在对话中切换语音或语言，底层由多个语音模型按人格、语言和用例择优驱动。Sierra 称某智能体搭配自然语音与人格后问题解决率提升近 50%，Voice Personas 现已上线。
匹配字段摘要、正文
Sarvam AI 在 Sarvam Epoch 发布 105B 模型更新、Vision 2.0、Saaras V4 与 Indus 智能体平台
Sarvam AI 在首届 Sarvam Epoch 上公布全栈更新，包括 Sarvam 105B 面向对话与工作智能体的新变体、Sarvam Vision 2.0、Saaras V4 语音识别模型和 Bulbul V4 语音合成研究预览。Sarvam 105B 在自建印度对话生产基准上四项指标均领先 GPT 5.4 Mini 和 Gemini 3.5 Flash，混合 token 价格为每百万 0.80 美元，并已通过 Sarvam API 提供。公司同时推出印度本地推理层 Sarvam Inference、自服务智能体平台 Indus（含 Voice Agents、Work Agents、Content Studio）、早期测试的 Sarvam Code、安全智能体 Sarvam Cyber 预览，以及 Mac 版语音应用 Kivi。
匹配字段摘要、正文
Prime Intellect 在 PRIME-RL 中推出多智能体训练支持
Prime Intellect 的 RL 栈从训练单个智能体扩展到多智能体系统，可编程定义智能体之间的任意交互、选择哪些角色参与学习，并在完整交互上分配信用。新抽象 Agent 与 Env 分别负责单智能体 rollout 和多智能体控制流，已实现 Agentic Judging、Self-Play（Proposer-Solver 与 Kuhn-Poker）和 User-Sim 四种环境，并配套 Hierarchical GRPO 与 Role-Conditioned Advantage Estimation。多智能体支持随 verifiers 0.3.0 和 prime-rl 0.8.0 发布。
匹配字段摘要、正文
Broadcom 观点：AI 暴露旧平台短板，平台工程 2.0 需五大支柱演进
Google 2025 年 DORA 研究显示，90% 的组织已使用内部平台，76% 建立了专职平台团队，但多数平台并非为 AI 时代设计。Broadcom 提出平台工程 2.0 的五大支柱：AI 原生平台（IDP 演进为 Agentic Development Platform）、多角色体验、内嵌 FinOps、安全下沉和可组合设计，并建议先审计 GPU 供给、非人类身份管理和实时成本归因三项缺口。
匹配字段摘要、正文
Broadcom 观点：AI 暴露平台工程旧架构，需转向 Platform Engineering 2.0
Broadcom 在 DevClass 发布的观点文章称，多数企业现有内部平台是为人类开发者按人类节奏交付容器应用而建，难以支撑 AI 时代。文章援引 Google 2025 年 DORA 研究称 90% 组织已使用内部平台、76% 设有专职平台团队，并提出 Platform Engineering 2.0 的五大支柱：AI 原生平台（IDP 演进为 Agentic Development Platform）、多角色体验、嵌入式 FinOps、安全下沉与可组合设计。文章建议先审计 GPU 供给、非人类身份管理和实时成本归因三项缺口。
匹配字段摘要、正文
Baseten 接入 Hugging Face Inference Providers
Hugging Face Inference Providers 现已支持 Baseten，用户可通过网页、huggingface_hub >= 1.26.1、JavaScript SDK 及多种 Agent Harness 调用其托管模型。请求可使用供应商 API key 直连并由供应商计费，也可经 Hugging Face 路由且不加价；PRO 用户每月获 $2 推理额度，登录的免费用户享有少量免费配额。
Hugging Face Inference Providers 现已支持 Baseten，用户可通过网页、huggingface hub = 1.26.1、JavaScript SDK 及多种 Agent Harness 调用其托管模型。请求可使用供应商 API key 直连并由供应商计费，也可经 Hugging Face 路由且不加价；PRO 用户每月获 $2 推理额度，登录的免费用户享有少量免费配额。 · Hugging Face Inference Providers now supports Baseten, allowing users to access Baseten-hosted models through the website, huggingface hub = 1.26.1, the JavaScript SDK, and multiple Agent Harnesses. Requests can use a provider API key for direct provider billing or be routed through Hugging
匹配字段摘要、正文
Chips and Cheese 逐条拆解 NVIDIA Vera 白皮书中的论证问题
Chips and Cheese 对 NVIDIA 45 页 Vera 白皮书提出质疑，认为 Olympus 核心与 88 核单体芯片的设计本身扎实，但白皮书把 x86 的 SMT 画成时间片轮转、把可配置的 32 NUMA 节点当作默认负担、把四个 SPEC 整数负载称作 agentic benchmarks，并用无标注图示给出 1.8 倍强化学习结果。作者引用 Phoronix 5 月的早期测试称 Vera 几何均值比 5 GHz EPYC 9575F 高 10%、是 Xeon 6980P 的 1.55 倍，但指出 NVIDIA 自测的 Turin 内存带宽约 400 GB/s 与其实测约 570 GB/s 不符，按实测 Vera 的总带宽优势约为 1.9 倍而非白皮书所示的近 3 倍。
匹配字段摘要、正文
Liquid AI 发布 LFM2.5-2.6B 端侧智能体模型
Liquid AI 发布 LFM2.5-2.6B，一款完全在设备端运行的智能体模型，基础版与后训练版已在 Hugging Face 上线。该模型为 2.6B 参数、预训练约 34T tokens，词表扩展至 128K 并包含 128K 上下文扩展阶段，后训练经 SFT、教师专精、MOPD 蒸馏与 Agentic RL 四阶段。推理方面在 M5 Max 上解码 220 tokens/s、Ryzen AI Max+ 395 上 113 tokens/s，占用低于 2.5 GB，手机端保持 30 tokens/s，并首日支持 llama.cpp、MLX、vLLM、SGLang 和 ONNX。
匹配字段摘要、正文
Unsloth 支持 DeepSeek V4 Flash 0731 本地运行
Unsloth 宣布 DeepSeek V4 Flash 0731 现已可在本地运行，无损 4-bit 量化需 168GB 内存，3-bit 需 110GB 内存，可通过 Unsloth 或 llama.cpp 运行，并提供了指南和 GGUF 链接。Unsloth 称 V4 Flash 0731 表现优于 V4 Pro，更小的量化版本当天晚些时候发布。DeepSeek 官方此前宣布 DeepSeek-V4-Flash 官方 API 进入公开测试，Agent 能力大幅升级，基准分数超过 V4-Pro-Preview，并原生支持 Responses API 格式、适配 Codex。
匹配字段摘要
DeepSeek-V4-Flash 官方 API 开放公测
DeepSeek-V4-Flash 官方 API 已开放公测，智能体能力评测成绩大幅超过 V4-Pro-Preview。该版本原生支持 Responses API 格式，并已适配 Codex，配置详情可查阅官方 API 文档。
DeepSeek-V4-Flash 官方 API 已开放公测，智能体能力评测成绩大幅超过 V4-Pro-Preview。该版本原生支持 Responses API 格式，并已适配 Codex，配置详情可查阅官方 API 文档。 · The official DeepSeek-V4-Flash API is now available in public beta, with Agent capability benchmark scores far surpassing V4-Pro-Preview. The release natively supports the Responses API format and is adapted for Codex, with configuration details available in the official API documentation.
匹配字段摘要、正文
GPU 管理分析：为何闲置 GPU 如同停飞的飞机
大规模智能体集群会让实时推理、批处理、再训练和评测争用有限的 GPU，使调度与利用率成为核心问题。GPU 隔离和沙箱可支持安全共置，但仍需根据显存占用、延迟容忍度、运行时长和优先级分配任务；僵化分区反而可能造成容量闲置。
大规模智能体集群会让实时推理、批处理、再训练和评测争用有限的 GPU，使调度与利用率成为核心问题。GPU 隔离和沙箱可支持安全共置，但仍需根据显存占用、延迟容忍度、运行时长和优先级分配任务；僵化分区反而可能造成容量闲置。 · Large agent fleets make real-time inference, batch jobs, retraining, and evaluations compete for a finite GPU pool, turning scheduling and utilization into core problems. GPU isolation and sandboxing can enable safe co-location, but jobs must still be assigned according to memory footprint, latency tolerance, duration, and priority; rigid partitioning may leave capacity idle.
匹配字段摘要、正文