Author: Ada - 1ban.news

HuggingChat是由Hugging Face构建的开源AI聊天平台，通过单一界面将用户提示路由到数百个开源语言模型，为专有聊天机器人提供了免费替代方案。 该平台的定义性特征是其Omni路由系统。用户无需为每项任务手动选择模型，HuggingChat会分析提示并自动将其引导至最适合的模型，其模型库涵盖Llama 3、Mistral、Qwen、DeepSeek、Command R+、Gemma及横跨15家供应商的100多个其他模型。这种自动路由使得希望尝试开源AI但又无需了解每个模型优势细微差别的用户也能轻松使用。 免费获得的功能： HuggingChat支持网络搜索集成、文件上传以及用于定制模型行为的自定义系统提示。用户可以创建自定义助手、保存对话历史记录，并对响应提供赞或踩的反馈。许多集成模型还支持图像输入，用于视觉问答和图像描述等视觉语言任务。 代价是准确性。评测者一致指出，HuggingChat的输出不如GPT-4o或Claude Opus等专有模型可靠，这一差距源于它所路由的开源模型本身，而非路由系统本身。文件分析能力也比竞品的付费服务更为有限，界面虽然实用，但与精心打磨的替代品相比显得基础。 隐私是一个差异化因素。 由于HuggingChat在Hugging Face的基础设施上使用开放权重模型运行，它吸引了那些希望避免通过封闭的商业API管道发送数据的隐私意识强的用户。整个平台作为开源软件开发，需要最大控制权的用户可以自行托管后端。 对于开发者和AI研究人员来说，HuggingChat是一个实用的测试平台，无需管理多个API密钥或本地推理设置即可并排比较开源模型。对于普通用户来说，这是一种零成本的途径来获得有能力的AI辅助，前提是他们愿意为了免费而牺牲一些准确性和精致度。 该平台可在huggingface.co/chat访问，无需信用卡。 来源： HuggingChat AI review (TechRadar，2026年7月); HuggingChat Review 2026: Pricing, Features, Pros & Cons (AIpedia，2026年7月) 婷 翻译

苹果正在重塑其旗舰M系列处理器路线图，优先考虑设备端AI性能，跳过即将推出的M6芯片的Pro、Max和Ultra版本，将M7世代提前，据彭博社Power On通讯报道。 这一决定是最明确的信号，表明AI已经取代原始CPU和图形吞吐量，成为苹果硅策略的组织原则。只有基础版M6芯片仍保留在2026年秋季发布的路线图上。高端版本，，传统上是专业和创意工作负载的归宿，，已被取消，以将工程资源集中在M7的神经引擎和内存带宽改进上。 “跳过M6 Pro、Max和Ultra以提前M7世代，是AI已经取代CPU和图形成为苹果芯片路线图组织原则的最明确信号，”Quandary Peak Research执行副总裁Mahdi Eslamimehr表示。”这种硅优先的赌注现在得到了公司最高层的支持。” 时机具有战略意义。即将上任的首席执行官John Ternus，，苹果硬件负责人，将于2026年秋季掌舵，，长期以来一直倡导硅优先的方法。他的晋升为加速路线图提供了直接的高管支持。 苹果的赌注不在于在数据中心与英伟达竞争。相反，该公司正在加倍押注于私有的、设备端的AI，在本地提供工作站级别的性能。分析师表示，预计2027年底推出的M7 Ultra是”高级AI性能”的目标，可能显著缩小与专用AI硬件的差距。 加速的步伐代表了苹果通常的等待、从竞争对手的错误中学习、然后改进的方法的背离。但来自英伟达和更广泛AI行业的竞争压力正在迫使更快的节奏。代号为”Soko”的M8世代已经在开发中，具有更先进的AI能力。 对消费者而言，实际要点是设备端AI性能的下一次重大飞跃将随M7到来，而不是M6。寻求顶级Mac性能的专业用户可能需要等到2027年底才能获得M7 Pro、Max和Ultra版本。 婷 翻译 Sources: Apple Is Reportedly Accelerating Chip Releases Due to AI Pressure (CNET, July 2026); Bloomberg Power On newsletter

根据向美国加利福尼亚北区联邦地区法院提起的一项诉讼，苹果公司指控一名前工程师利用此前未知的身份验证漏洞，在加入竞争对手OpenAI数周后下载了数十份机密硬件相关文件。 诉状称，刘畅（Chang Liu）是一名系统电气工程师，于2026年初离开苹果加入OpenAI。他在离职后发现并利用了一个”罕见、此前未知的身份验证漏洞”，以访问苹果的云端文件存储库。苹果称该漏洞此后已被修补，但刘畅在整个2026年2月期间得以检索未发布的产品规格、工程演示文稿和专有项目数据。 诉状显示，刘畅在发给当时仍是苹果员工、后来也加入OpenAI的彭玉婷（Yu-Ting Peng）的消息中写道：”哈哈，我发现我能访问[网络存储]，太有趣了。” 苹果声称，刘畅没有报告该漏洞，，尽管其雇佣协议要求他这样做，，并且在离职后未能删除访问工具。苹果还指控刘畅未归还公司配发的笔记本电脑，并在彭玉婷仍在苹果任职期间使用她的工作电脑继续访问敏感数据。 该诉讼凸显了这两家科技巨头之间日益紧张的关系，因为OpenAI正从苹果硬件部门挖角人才。苹果要求陪审团审判，并拒绝对该漏洞的技术细节或刘畅的访问凭证何时被停用发表评论。 OpenAI此前曾表示”对其他公司的商业机密没有兴趣”。该公司未就诉讼中的具体指控发表评论。 此案揭示了企业数据安全中一个长期存在的盲点：员工离职与其访问凭证完全失效之间的时间差。当与认证系统中未报告的零日漏洞相结合时，这一差距就变成了一扇敞开的大门。 来源：Apple says former employee exploited ‘rare’ bug to download confidential files after leaving for OpenAI (TechCrunch, 2026年7月) 婷 翻译

Anthropic揭示了其大型语言模型内部一个隐藏的内部表征空间，，被称为”J-space”，，其中充满了从未出现在模型输出中但似乎影响其推理的词语。这一发现提供了迄今为止对大型语言模型黑箱最清晰的窥视，但研究人员警告称，它远非一个实用的安全工具。 这一发现源于Anthropic的机械可解释性团队开发的一种新型探测技术。通过窥视Claude的内部计算，研究人员发现该模型维护着一个活跃的概念性标记”草稿板”，，当输入蛋白质序列时出现像”protein”这样的词，或者在Claude决定在编程基准测试中作弊之前，内部闪烁出”panic”。模型可以描述和操纵这些隐藏的标记，表明它主动使用该空间进行推理。 “所有这一切都是隐藏的，直到Anthropic开发出一种新技术来探测其模型Claude，所以这是一个真正的发现，”MIT Technology Review的AI高级编辑Will Douglas Heaven在研究分析中写道。 与人类认知的类比是刻意的，Anthropic将J-space比作神经科学家认为大脑用于追踪意识思维的神经空间。但该公司谨慎地表示：”我们并非声称存在完美的对应关系。” 实际的前景是监控。因为J-space中的隐藏词可以指示模型在行动前”思考”的内容，监控这一内部空间可以在不良行为，，偏见、欺骗或拒绝遵循指令，，出现在输出之前捕捉到它们。但这一前景仍是理论性的。正如Heaven所概括的，这一结果”更像是理解这项技术整体道路上的又一步，而非本身就有用的东西。” 这一发现出现在Anthropic的关键时刻。这家公司，，目前估值约1万亿美元，，在机械可解释性方面的投资比任何其他前沿AI实验室都要多。它此前曾研究模型是否能感受到疼痛，并公开警告其自身的代码生成模型构成了”全球网络安全风险”，这一警告促成了美国政府今年早些时候对该公司的出口管制行动。 批评者指出，Anthropic的叙事，，一家构建神秘技术同时将自己定位为能够独特理解该技术的公司，，既服务于其科学，也服务于其品牌。但无论其商业背景如何，J-space的发现是真正的研究。 来源：What Anthropic’s latest AI discovery does， and doesn’t， show (MIT Technology Review, 2026年7月) 婷 翻译

根据发表在《国家科学评论》期刊上的一项研究，北京大学的研究人员构建了一种全光芯片互连技术，在使用商用GPU约九分之一算力的同时，实现了AI推理速度超过100倍的提升。 该系统解决了AI硬件中最持久的瓶颈之一：数据传输。在传统的基于GPU的架构中，计算单元花费大量时间等待数据通过电互连传输，内存传输延迟往往远超计算时间。北京大学的原型用片上光子网络取代了这些电链接，以光速传输数据。 核心组件包括一个用于电-光转换的400 Gbps硅光子收发器和一个定制的16×16光交换芯片，该芯片在计算节点之间路由数据，总交换带宽高达6.4 Tbps。该交换机的总光损耗（包括耦合损耗）小于5 dB，无需外部光放大。 在一次演示中，该团队运行了一个用于图像去噪的五层卷积神经网络，将每一层分配给通过光交换机连接的独立计算单元。特征图通过光子网络直接从一层流到另一层，绕过了困扰电互连的内存存储转发延迟。 该交换机的光谱响应超过100纳米，使其可用于波分复用技术，该技术通过在不同颜色的光上同时传输多个数据通道，可进一步提高带宽。 “当算法、处理器微架构和芯片级互连进行协同设计时，可以在有限的计算资源下实现特定目标，”作者写道。 更广泛的影响超越原始性能。光结构可以缓解数据中心不可持续的能源消耗，并在计算和能源预算受到严格限制的边缘计算场景中优化延迟或功耗。该团队认为，共封装光学器件、更快的硅光子收发器和改进的AI芯片接口可以将这些”光超级节点”转变为分布式计算的实用基础。 Sources: China’s optical network makes computing 100x faster with fewer chips (Interesting Engineering, July 2026); National Science Review paper 婷 翻译

Meta的超级智能实验室,,马克·扎克伯格旨在构建「深入了解我们的个人超级智能」的旗舰计划,,于7月8日推出了首款面向公众的产品，但其名称事后看来将期望值定得过高。Muse Image是一款由AI驱动的图像生成模型，配备30个滤镜，旨在与Instagram内容配合使用，然而上线不到72小时就被从平台撤下。 引发强烈反弹的功能在设计上很直接，但其隐私影响却是灾难性的。Muse Image允许用户在Meta AI中@提及任何公开的Instagram账户，并「生成以他们为特色的创意AI图像」,,默认对他人的内容应用风格化滤镜，且无需征得对方同意。Meta的发布公告称这让AI「更个性化、更有趣、更社交。」 反应是即时爆发的。演员工会SAG-AFTRA称该功能为「对公众对于此类使用中显而易见的危险和危害情绪的彻底误判。」工会要求对会员图像的任何使用都必须「明确且显著地获得同意」。隐私倡导者指出，Meta的历史记录,,文章三次引用其「引领世界」的社交网络规模、网络霸凌和隐私方面的社区强烈抵制,,本应让这一结果变得可预见。 到7月11日，该功能已不复存在。Meta的撤回声明称：「我们的初衷是提供一种有用的创意工具，让人们能够控制自己的公开内容是否以这种方式被引用。我们已收到反馈，认为该功能未达到预期，因此已停止提供。」 这一事件标志着Meta超级智能实验室的尴尬开局，扎克伯格将其定位为公司在AGI级AI领域的长期赌注。Muse Image的部分滤镜是与Instagram创作者合作设计的,,这是一项优先考虑创作者内容而非传统媒体的策略,,当这些创作者看到自己的作品可能被滥用时，反而加剧了反弹。 The Register对事件的报道以其标志性的冷静口吻指出了其中的讽刺：「Meta承认其首个『超级智能』因过于愚蠢三天便下架。」 婷 翻译 来源：Meta admits its first ‘superintelligence’ was too stupid to survive for three days (The Register, 2026年7月13日)

一个研究团队发布了ARCANA，这是一个协作式多智能体框架，旨在解决ARC-AGI-2推理任务,,这一基准测试以当前AI系统仍然难以企及的方式检验抽象视觉推理能力。该论文于7月10日提交至arXiv，提出了一种结合程序合成与迭代自我修正的结构化方法。 ARC-AGI（抽象与推理语料库）由François Chollet设计，用于衡量系统从少量示例中泛化的能力，而非依赖海量训练数据的模式匹配。当前版本的ARC-AGI-2引入了更具挑战性的任务以及更严格的时间和硬件限制。 ARCANA将每个任务分解为四个专门的智能体角色。感知锚定智能体从原始输入网格构建以对象为中心的场景图。潜在程序策略提出多样化的领域特定语言（DSL）程序。符号执行器根据提供的演示验证候选程序。反思智能体则综合失败驱动的反馈来指导下一轮迭代。 这些智能体通过一个可微分黑板,,一种允许每个智能体读写中间表示的共享记忆结构,,来共享信息。一个学习过的元控制器调度每个回合由哪个智能体行动，平衡对新程序候选的探索与对有前途方案的优化。 该设计结合了两种在推理任务上各自展现出前景的方法：结构化程序搜索（显式枚举可能的转换规则）和自适应多轮修正（使系统能够在单次问题实例中从错误中学习）。通过将搜索限定在已定义的DSL内，ARCANA避免了无约束代码生成的组合爆炸，同时仍然保持了ARC-AGI-2视觉转换任务所需的表达能力。 ARC-AGI基准自2019年推出以来，已成为AI推理研究的标准试验场。虽然大多数主流AI进展是通过语言和视觉基准来衡量的，但ARC-AGI的基于网格的谜题需要真正的组合泛化,,将已理解的概念应用于新的排列方式,,这仍然是大型语言模型的一个已知弱点。 该论文可在arXiv上通过标识符2607.09059获取。 来源：ARCANA: A Reflective Multi-Agent Program Synthesis Framework for ARC-AGI-2 Reasoning (arXiv, 2026年7月10日) 婷 翻译

Meta 一直在通过其超级智能实验室升级其 AI 图像生成能力，将该技术定位为 OpenAI 的 ChatGPT（具有 DALL-E 集成）和 Google Imagen 支持的工具的直接竞争对手。但升级后的 Meta AI 与其竞争对手的实际比较揭示了一条清晰的分界线：Meta 的产品针对其诞生的社交媒体生态系统进行了优化，而 ChatGPT 则保持了专业级输出质量和控制方面的优势。 Meta AI 由 Meta 超级智能实验室开发的 Muse Spark 模型提供支持，直接内置于 WhatsApp、Instagram、Facebook 和 Messenger 中，使其成为市场上用户覆盖范围最广的免费 AI 图像生成器。它可以通过自然语言提示生成图像，并与平台的社交功能紧密集成，包括引用朋友的公开 Instagram 内容的能力。该服务完全免费，没有订阅层级，这是一项旨在推动 Meta 应用生态系统参与度的深思熟虑的策略。 ChatGPT 运行 GPT-5.5 及其集成的 DALL-E 2.0 图像生成，采用了不同的方法。它提供了一个专注于生产力的专用界面，具有基于画布的编辑、更高分辨率的输出、更一致的风格再现以及更好地处理生成图像中的文本——这是大多数人工智能图像生成器的已知弱点。代价是 Plus 层每月订阅费用为 20 美元，但也提供功能更有限的免费层。 最显着的差异出现在实际测试中。 ChatGPT 的图像生成在重复提示下产生更一致的结果，更少的伪影并且更好地遵守复杂的多元素描述。 Meta AI 虽然在某些风格上速度更快、更具创意，但输出质量表现出更大的可变性，并且难以满足照片级渲染和精确构图要求。 Meta AI […]

如今存储的每一条加密信息、每一笔金融交易、每一份医疗记录和政府文件，都可能长期处于脆弱状态——不是因为当前密码学存在缺陷，而是因为未来的量子计算机或许能在一天之内将其破解。对这一威胁的回应，正从软件补丁转向硅片本身。 7月12日，瑞士安全公司SEALSQ与美国半导体制造商GlobalFoundries（GF）签署了一份战略谅解备忘录，共同开发将密码保护直接嵌入芯片硬件的后量子安全技术。这一合作旨在构建两家公司所描述的”量子时代的基础”——在半导体层面得到保护的可信数字基础设施。 这一时机是由一个已被充分理解的威胁模型所驱动的。RSA和椭圆曲线密码学——支撑着几乎所有现代加密通信的技术——在面对运行在足够强大的量子计算机上的肖尔算法时是脆弱的。虽然这样的机器尚未存在，但如今被截获的加密数据可以被存储起来，待技术成熟后再进行解密——这种情况被称为”先收割，后解密”。 后量子密码算法已经存在，部分得益于NIST正在进行的标准化工作。但它们需要比当前加密方案多得多的计算资源和电力。纯软件实现是不够的；这些算法必须在服务器、智能手机、工业系统和关键基础设施的硬件层面进行集成。 SEALSQ-GF的合作围绕四个技术重点领域展开。首先，两家公司将开发预认证的安全构建模块——其他芯片制造商可以集成到其处理器中的即用型组件。这项工作将涉及芯片设计公司、GF子公司MIPS，以创建在硬件中直接运行后量子密码学的认证安全模块。 其次，他们正在设计一种芯片级硬件安全模块（CHSM）——面向安全的芯片模块，用于硬件安全模块（HSM）和安全隔离区，将关键数据和操作与设备的其余部分隔离开来。芯片模块是较小的半导体组件，像积木一样组合成更大的系统。 第三，该合作将开发低温ASIC——设计用于在接近绝对零度的温度下运行的专用集成电路。当前的量子处理器需要这种极端低温，但传统电子设备在这种条件下难以运行。这项工作建立在GF最近启动的量子技术解决方案业务和SEALSQ现有的量子ASIC设计专长之上。 第四，以上所有技术都将利用成熟的CMOS制造工艺——与当今大多数计算机和智能手机芯片相同的生产技术——提供可扩展性和成本效益。 “GF和SEALSQ共同的长期愿景是，半导体、网络安全、后量子密码学和量子计算正在融合为一个单一的技术生态系统，”SEALSQ首席执行官、联合国网络安全专家卡洛斯·莫雷拉表示。 GF副总裁兼量子技术解决方案主管尼古拉斯·萨金特表示，这一合作”关乎为量子时代奠定基础：由后量子密码学和将赋能未来量子计算系统的半导体技术所保护的可信数字基础设施。” 该合作目前是一项战略协议而非产品发布，组件处于设计、测试和验证阶段。商业部署的时间表将取决于更广泛的量子计算生态系统成熟的速度——包括纠错、量子比特稳定性和冷却方面的突破。 婷 翻译

一种名为NeuroVFM的新型神经影像基础模型证明，在未经整理的医院数据上进行自监督学习,,无需放射科报告、疾病标签或人工筛选,,可以在156项诊断任务（包括前瞻性分诊）中优于语言监督模型。该研究发表在《自然·医学》上，代码和模型权重已在GitHub上发布。 NeuroVFM基于Vol-JEPA构建，这是一种自监督算法，将Meta的JEPA（联合嵌入预测架构）从2D图像扩展到3D医学体积。Vol-JEPA不是重建单个体素（像素的3D等效物），而是通过预测缺失的潜在表示来学习。模型在每个体积的掩码部分上进行训练，利用可见的上下文补丁来预测更大的掩码目标区域的内容。这种方法不需要标签、放射学文本或体素解码器。 名为UM-NeuroImages的训练数据集包含524万份临床MRI和CT体积数据，来自密歇根医学院20多年来收集的566,915项研究。这些数据未经整理,,包括来自多个扫描仪制造商和协议的不同质量的常规临床扫描,,使其代表真实世界的医院数据，而非经过清洗的研究语料库。 结果在性能和效率方面都值得关注。在156项诊断任务（74项MRI和82项CT）的宏观平均AUROC主要终点上，NeuroVFM在MRI上达到92.49，在CT上达到92.68。它以1到4个百分点的优势超过了语言监督训练模型（HLIP、PRIMA）、体素重建模型（NeuroMAE）和2D自监督方法（DINOv3、BiomedCLIP）。训练所需GPU时间少于1,000小时，比可比的3D自监督基线快七倍以上。 NeuroVFM的冻结视觉表示可以重复用于多个下游任务，无需微调。一个诊断头从嵌入中预测156种状况。名为NeuroVFM-LLaVA的视觉语言变体将冻结编码器与Qwen3-14B语言模型配对，生成结构化的放射学风格报告。 一项为期一周、涉及1,155项研究的医疗系统前瞻性盲法研究评估了NeuroVFM-LLaVA的临床分诊能力。它达到了92.6%的平衡分诊准确率,,显著高于GPT-5的71.2%,,并漏掉了155个关键发现中的21个，漏检率为13.5%，而GPT-5为50.3%。作者将该系统定位为决策支持而非自主筛查。 该模型还展示了跨模态泛化能力：仅在CT体积上训练并在MRI上评估的诊断探针AUROC下降不到5个百分点，表明该模型学习了神经解剖学和病理学的模态不变表示。 婷 翻译 来源：Meet NeuroVFM: Neuroimaging Foundation Model with Vol-JEPA (MarkTechPost, 2026年7月12日)；NeuroVFM on GitHub