Meta 开源 Muse Gadgets，让爱好者 DIY 构建 AI 硬件
Meta 发布开源项目 Muse Gadgets，包含 ESP32 固件和 Linux SDK，可将自制设备连接到 AI 智能体 Muse，代码采用 Apache 2.0 许可证并有 Discord 社区支持。同时 Meta 推出了 Muse Home Link USB-C 设备，可将 Muse 连接至家庭网络控制智能家居，已生产 5000 台将免费提供给订阅用户。
#开源/仓库
The DecoderAI 评分6363 Latent SpaceAI 评分2626 AINews：今日内容其实不少
GPT-6.1 Sol 定价 $2/$10 per million tokens，较 Astra 低 80%，在 DeepSWE v1.1 领先 6.4 分，Agent Arena 排名第五，成本较 GPT-6 Sol 低 39%。
The DecoderAI 评分7575 Anthropic 为 Claude Code 推出 Mods 系统，支持从内部定制 AI 编码工具
Anthropic 为 Claude Code 发布 Mods 系统，这是一个基于 JavaScript 或 TypeScript 的插件系统，允许开发者通过事件钩子自定义界面、拦截工具调用或添加新命令。
TechCrunch · AIAI 评分6262 Meta 推出开源硬件项目 Muse Gadgets，允许开发者构建连接 Muse 的自定义设备
Meta 宣布推出 Muse Gadgets，这是一个开源项目，开发者可借助开源固件和 Linux SDK 构建连接 Muse 的自定义硬件，平台支持 Raspberry Pi、ESP32 等低成本设备。
The Verge · AIAI 评分5656 Meta 开源代码，让用户自制 Muse AI 设备
Meta 宣布将 Muse AI 智能体的代码开源，支持 ESP32 开发板和 Raspberry Pi，提供了 SDK 和示例项目，涵盖彩色 E Ink 显示屏提醒、HDMI 投屏和小触摸屏设备等多种玩法。同时 Meta 还推出了 Muse Home Link 硬件产品，可控制灯光、电视、打印机等设备，计划赠送 5,000 台，用户现可申请候补名单，本月开始发货。
AWS Machine Learning BlogAI 评分5555 Amazon Payments 在 AWS 上用情境赌博机实现获客漏斗个性化
Amazon Payments 在获客漏斗中部署了基于 LinUCB 的多目标情境赌博机，每个漏斗阶段（开始、提交、审批）运行独立模型并加权组合 UCB 分数。
Google DeepMind精选AI 评分7171 Google DeepMind 推出 SynthID Bio，为 AI 生成蛋白质嵌入水印
SynthID Bio 是 Google DeepMind 将水印技术从数字媒体扩展到合成生物学的新工具，能在不影响蛋白质功能的前提下向氨基酸序列和 3D 结构嵌入不可察觉的签名。
推荐理由：SynthID Bio 是 AI 水印技术首次扩展到生物领域，提供了可验证 AI 生成蛋白质来源的可行方案，对生物安全筛查有直接影响。
NVIDIA Blog精选AI 评分6262 NVIDIA 与 CoreWeave 合作推出 Vera Rubin NVL72 系统及 CoreWeave Forge 平台
CoreWeave 在旧金山峰会上宣布 NVIDIA Vera Rubin NVL72 系统正式上线，Cognition（Devin 的开发团队）成为首个生产用户，在 SWE-2 推理工作负载中实现相比 GB200 NVL72 高达 4.8 倍的 token 吞吐量提升。
推荐理由：原文给出了具体性能数据（4.8x token throughput、3x faster sandbox startup、1.7x Terminal-Bench 提升），读者可据此判断 Vera Rubin 和 CoreWeave Forge 的实际能力变化。
GitHub Blog · AI & ML精选AI 评分7171 GitHub Security Lab 发布基于 LLM Agent 的自动化模糊测试框架 Fuzzing Taskflow
GitHub Security Lab 发布了 Fuzzing Taskflow，一个基于 LLM Agent 的自动化模糊测试管道，专为 C/C++ 项目设计。
推荐理由：原文展示了将传统需要安全专家手动完成的多步骤模糊测试工作流交给 LLM Agent 执行的完整方案，读者可以了解如何将专家经验转化为可复用的自动化管道。
NVIDIA Blog精选AI 评分6161 NVIDIA 联合 DeepMind 和 EMBL-EBI 发布 2800+ 病毒蛋白质复合物结构数据集并开源 BioNeMo 工具
NVIDIA 联合 Google DeepMind 和欧洲分子生物学实验室下属的欧洲生物信息学研究所（EMBL-EBI）等机构，发布了预测的病毒蛋白质复合物 3D 结构数据集，涵盖超过 2800 种病毒，并通过 AlphaFold Database 向全球科学家开放。
推荐理由：原文提供了具体的数据规模（2800+病毒、30%全新发现）和开放入口，读者可以判断这些数据和工具对自己的研究是否有直接帮助。
Simon WillisonAI 评分4141 Simon Willison 发布 llm-typesafe 0.1a0：为 LLM 添加 TypeSafe AI Jev 模型支持
Simon Willison 发布 llm-typesafe 0.1a0 插件，为 LLM 添加 TypeSafe AI 的 Jev 模型支持，可通过 `llm install llm-typesafe` 安装。
Microsoft Research精选AI 评分7070 Microsoft Research 发布 RetroChimera：用于小分子逆合成预测的集成模型
Microsoft Research 在 Nature 发表论文并开源 RetroChimera，一个用于逆合成预测的集成框架。该模型结合了基于 Transformer 的 R-SMILES 2 和基于图神经网络的 NeuralLoc，通过学习排序策略整合两者的排名预测。
推荐理由：文章描述了 RetroChimera 如何将两种互补模型（R-SMILES 2 和 NeuralLoc）通过学习排序策略组合，并在多步合成路线盲测中取得显著优势，读者可了解这一集成思路在化学逆合成预测中的实际效果。
Google DeepMind精选AI 评分7676 Google DeepMind 发布 AlphaGenome Atlas：覆盖人类基因组全部 90 亿个单核苷酸变异的预测图谱
Google DeepMind 发布 AlphaGenome Atlas 平台，包含人类基因组全部约 90 亿个单核苷酸变异的分子效应预测，总数据量达 1 PB（约为 AlphaFold 数据库的 30 倍）。
推荐理由：Google DeepMind 一次性公开了全部 90 亿个单核苷酸变异的分子效应预测，并配套 AVI 评分系统，研究者可据此快速评估候选变异的潜在影响。
Microsoft Research精选AI 评分6666 Microsoft Research 开源 GigaPath-Flash 和 GigaTIME-Flash：面向大规模病理分析的高效基础模型
Microsoft Research 开源了 GigaPath-Flash 和 GigaTIME-Flash，这是 GigaPath 和 GigaTIME 的蒸馏高效版本。
推荐理由：GigaPath-Flash 在保持 97% 性能的同时将计算量降低约 50 倍，使大规模病理研究从不可行变为可操作。
Microsoft Research精选AI 评分6262 Microsoft Research 发布 Skala 1.1：深度学习 DFT 精度提升，已集成至 CP2K 等主流计算化学软件
Microsoft Research 发布深度学习交换-相关泛函 Skala 1.1，相比初版训练数据量提升 2.5 倍，在 GMTKN55 基准的 55 个类别中斩获 32 个第一，精度超越最顶级的全局杂化泛函，同时保持 meta-GGA 的计算成本。
推荐理由：Skala 1.1 已在 GMTKN55 的 55 个类别中斩获 32 个第一，数据规模和多样性大幅提升，同时集成至 CP2K、Psi4、FHI-aims、ORCA、VASP 等主流软件，读者可据此判断深度学习 DFT 在计算化学工作流中的实际可用性。
Microsoft Research精选AI 评分8282 Microsoft Research 开源 Orchard 框架：统一环境服务支撑智能体训练与评测
Microsoft Research 发布开源框架 Orchard，核心是 Kubernetes 原生的 Orchard Env 环境服务，为智能体提供可复用的隔离组件，支持从数据蒸馏、强化学习 rollout 到评测的全流程，无需为每类任务重建底层设施。
推荐理由：原文给出了三个场景的具体训练数据量、参数规模和性能数字，读者可以直接评估它在各自任务上的可用性。
Berkeley AI ResearchAI 评分5656 BAIR 发布 SPEX/ProxySPEX：大规模识别 LLM 交互作用的算法框架
BAIR 团队发布 SPEX 及其改进版 ProxySPEX 算法，旨在高效识别 LLM 等复杂 ML 系统中的关键交互作用。该框架利用交互作用的稀疏性和低阶性，将搜索问题转化为稀疏恢复问题，在数千个特征规模下仍能保持高 faithfulness，而 LIME 等边际方法在此规模下 faithfulness 显著下降。