跳到正文
目前篩選:一手
10月19日週一
  1. The HKU Lead 港大新聞 · AI 研究及應用43

    HKU and Global Cybersecurity Alliance jointly establish Centre for AI and Cybersecurity Research

    HKU 與 Global Cybersecurity Alliance 聯合成立 AI 與網絡安全研究中心,整合雙方研究能力及專業資源,推進 AI 與網絡安全研究及其在實際安全場景中的應用。中心將研究大語言模型與生成式 AI 的安全、可解釋性及穩健性,並探索 AI 自動防禦、前沿技術安全評估和全球 AI 安全標準與治理。中心計劃逐步發布研究成果、安全基準及開源工具。

  2. 香港浸會大學 · AI 研究及應用33

    HKBU School of Communication hosts inaugural “AI-TEM 2026: AI, Technology & Emerging Media” international conference to bring together four universities across Europe, North America and Asia together to advance responsible AI communication

    香港浸會大學傳理學院聯同波士頓大學、高麗大學及維也納大學,於 10 月 16 至 18 日舉辦首屆「AI-TEM 2026」國際會議,聚焦推動負責任的 AI 傳播。會議吸引來自世界各地逾 200 名參加者,探討 AI 倫理挑戰、傳播中的不平等及新興排斥問題。四所大學並承諾延續合作,推動以人為本、具包容性及符合社會責任的 AI 傳播研究。

10月17日週六
  1. OpenAI News49

    Benefit Street Partners 使用 Codex 更快回應問題

    Benefit Street Partners 使用 Codex 建立貸款估值追蹤及信貸協議分析工具,讓團隊更快回應投資委員會問題,並常在會議期間作答。追蹤工具首版約用 1 day,總開發時間約 10–12 hours;信貸協議分析工具以 GPT‑6 Astra 重構,約 20 min 產生初步分析,之後仍需 1+ hour 人手審核。

  2. AWS Machine Learning Blog68

    AWS 以 Amazon Bedrock AgentCore 建立可用於正式環境的 AI 智能體評估框架

    AWS Sales, Marketing, and Global Services(SMGS)團隊以 Amazon Bedrock AgentCore Evaluations 建立九階段評估框架,涵蓋 AI 智能體由開發到正式環境運作的完整生命週期。

    推薦理由:文章把工具、單一智能體與多智能體協作納入九階段評估流程,並展示如何透過回歸門檻、線上監測及追蹤資料定位品質退化。

  3. Google Research68

    Google Research 探索以 AI 智能體構建自主濕實驗室的研究基礎

    Google Research 分享三項研究,探索以 AI 智能體連接計算設計與濕實驗室實驗,涵蓋 VERID 實驗室數碼孿生、適配體閉環設計及從頭設計蛋白質結合體。適配體設計經三輪迭代後,兩個蛋白質靶標的確認命中率分別達 33.5% 和 42.1%;蛋白質結合體流程以局部結合口袋裁切,將每輪計算加速逾八倍,並取得個位數納摩爾親和力。研究流程包括模擬驗證、序列生物安全篩查及人工授權與監督。

    推薦理由:文章串連實驗室數碼孿生、適配體閉環測試與蛋白質結合體設計,呈現 AI 智能體如何依據實驗回饋修正設計,並連接計算探索與實驗驗證。

10月16日週五
  1. 香港生產力促進局 · AI 應用54

    香港生產力促進局啟用全港首個具身智能國際應用中心,七家機械人公司參與

    香港生產力促進局啟用全港首個具身智能實驗中心,七家內地及香港機械人公司參與其中。中心設於九龍塘香港生產力促進局大樓,提供模擬真實環境,讓公司測試和優化最新機械人設計。中心初期另有八家「場景夥伴」,包括政府部門和大型企業,將在不同應用環境部署機械人。

  2. OpenAI News42

    Sullivan & Cromwell 將法律專業知識融入協議審閲

    Sullivan & Cromwell 與 OpenAI 合作開發 Agreement Analyzer,將律師事務所的法律專業知識融入草擬協議審閲。工具結合事務所先例、談判手冊及 ChatGPT Enterprise,經多輪審閲後提供分析備忘錄和建議修訂,供律師檢視及調整。輸出亦列明經質疑後成立、已駁回及附保留的未核實問題。

  3. Hugging Face Blog65

    NVIDIA 宣佈 Nemotron-pretraining-Indic-v1 預訓練語料及開源生成流程即將推出,規模約 2.8 trillion tokens

    NVIDIA 與 IIT Madras、AI4Bharat 介紹 Nemotron-pretraining-Indic-v1,這套涵蓋 22 種印度語言、約 2.8 trillion tokens 的預訓練語料及 GPU 加速開源生成流程即將推出。

    推薦理由:文章交代語料的語言與文字系統覆蓋,並拆解翻譯、品質評估及修復流程,呈現這套生成配方如何按不同語言工作流調整。

  4. Hugging Face Blog60

    Granite Switch 4.1 推出 8B、30B 版本,單一端點整合對話、決策與語音轉文字

    Granite Switch 4.1 發佈 8B 和 30B 模型,讓對話、通用及專項決策與語音轉文字可透過同一個託管端點處理。兩款模型整合 Decision aLoRA、Guardian aLoRA 和 Granite-Speech-5.0-Turbo-CTC,合併後佔用的 GPU VRAM 約與基礎模型單獨運行相若,且可重用基礎模型生成的 KV cache。

    推薦理由:文章呈現以 aLoRA 組合通用及專項決策與語音辨識的方法,並交代共用 KV cache 如何使多項能力維持接近基礎模型的 GPU VRAM 佔用。

  5. Hugging Face Blog81

    Meta 發佈開放權重多模態混合專家模型 Muse Spark Open

    Meta 推出 Muse Spark Open,一款約 816B 參數、每個 token 約啟用 42B 參數的開放權重多模態混合專家模型,支援文字、圖像、音訊和影片輸入,並生成文字。模型的上下文窗口最高為 1M tokens。文章列出 Transformers、llama.cpp、SGLang 和 vLLM 等推理部署方式,以及使用 TRL 進行 LoRA 微調的示例。

    推薦理由:文章把模型規模、長上下文與多模態輸入能力,連同多種部署和微調方案放在同一份技術指南中,可用來瞭解模型的運行配置與使用方式。

  6. Microsoft Research68

    Magnetar 以零知識證明支援通用計算

    Microsoft Research 介紹 Magnetar,一款零知識虛擬機(zkVM),可證明以 RISC-V 執行的程式,支援以 Rust、Go 或 C 編寫的程式,安全性只依賴標準雜湊函數。在筆記型電腦上,Magnetar 每秒可證明 7.2 至 8.7 百萬條處理器指令;在15項基準中,其平均速度比同一部電腦上最快的既有 zkVM 快 10 至 39 倍,證明約 12 毫秒即可完成驗證。

    推薦理由:文中以同一部電腦上的15項基準呈現 Magnetar 與既有 zkVM 的速度比較,測試涵蓋雜湊運算及小型 EVM 解譯器中的代幣轉帳。

  7. OpenAI News40

    OpenAI:透過提問引導學生思考和學習

    OpenAI 在教師節聚焦透過提問引導學生思考和學習,並肯定教師在 AI 時代的教育角色。Study Mode 透過逐步提問、提示、解釋和理解檢查,鼓勵學生主動參與及反思推理。OpenAI Academy 推出巴西葡萄牙語版 AI for Educators 課程,協助教育工作者運用 AI 規劃課堂、設計活動和評估,同時保留教學判斷。

10月15日週四
  1. AWS Machine Learning Blog52

    AWS以 Trust in Depth 框架提升智能體自主性並保留控制

    AWS將一套分層治理方法稱為 Trust in Depth,主張以可驗證規則支撐智能體在保留控制下承擔更多自主工作。框架分為 Scope、Know、Bound、Observe 四個環節,並以自動推理檢查可精確表述的規則;需要情境判斷的部分則交由人處理。以員工離職流程為例,Amazon Bedrock AgentCore 會阻止未先封鎖登入或查核法律保留的操作,並記錄每一步。

  2. Mistral AI61

    Mistral AI 發佈 Timestral 時序基礎模型系列

    Mistral AI 發佈 Timestral 時序基礎模型系列,提供 5M、28M、123M 和 209M 四種尺寸,支援機率式多變量預測及過去與已知未來協變量。209M 模型在 GIFT-Eval、TIME 和 fev-bench 三個公開基準均排名第一;以三週、每 15 分鐘一筆的歷史資料預測一天,在 8 threads 的標準伺服器 CPU 上耗時 140 ms。

    推薦理由:Timestral 的四種模型尺寸對應不同的預測表現與推理速度,文章提供公開基準結果和 CPU 延遲數據,方便比較準確度與部署效率之間的取捨。

  3. Hugging Face Blog72

    FLUX.3 Image Klein 登陸 Diffusers,提供兩款開放檢查點

    FLUX.3 Image Klein 現已支援 Diffusers,可用於文生圖、多參考圖圖生圖及邊界框版面控制。兩款開放檢查點分別是預設以 16 步生成且不使用 CFG 的蒸餾版,以及使用 50 步和 CFG 的 base 版。蒸餾版生成 1024 × 1024 圖像,在單張 NVIDIA H100 80GB 上平均耗時 1.93 s;文章亦提供 LoRA 微調腳本及量化權重載入方法。

    推薦理由:文章展示了以邊界框安排生成版面及移動參考圖區域的做法,並附上 Diffusers 範例與 LoRA 微調腳本。

  4. Hugging Face Blog68

    Apertus 1.5 發佈説明:新增圖像與音訊理解,上下文窗口擴至 262,144 tokens

    Apertus 1.5 更新 8B 和 70B 模型,加入圖像與音訊理解及可選思考模式,並將上下文窗口擴至 262,144 tokens。持續預訓練分別為 8B 和 70B 模型加入 4 trillion tokens 和 2 trillion tokens 的文字及多模態訓練資料,總訓練量分別達 19T 和 17T。

    推薦理由:文章同時公開訓練資料、各階段檢查點與可重跑的評測記錄,讀者可據此瞭解 Apertus 1.5 的訓練流程及比較評測結果。

  5. viAct · 視覺 AI 及工地安全37

    新加坡建築自動化:應用、效益與實施指南

    新加坡建築自動化運用 AI、電腦視覺及物聯網感測器,協助承建商監察工地安全、施工進度及設備運作,並自動整理報告。可自動化的工作包括工地巡查、進度記錄、資源監察、安全檢查及項目協調;相關技術還包括邊緣裝置、LiDAR、無人機及 AI 智能體。新加坡建設局預計,2026 年建築需求將達 S$47–53 billion。

  6. 香港生產力促進局 · AI 應用51

    香港生產力促進局轄下 FLAIR 成立香港首個具身智能國際應用訓練場

    香港生產力促進局轄下香港工業人工智能與機械人研發中心(FLAIR)成立香港首個「具身智能國際應用訓練場」,整合技術研發、模型訓練、系統驗證及場景測試。首階段匯聚七家技術夥伴及八家國際場景夥伴,涵蓋工業製造、智慧物流、零售服務、巡檢維護及公共服務等應用。FLAIR將以真實場景數據持續測試和優化系統,並按操作精準度、執行效率、系統穩定性、自主完成率、安全表現及環境適應能力等指標評估方案。

  7. viAct · 視覺 AI 及工地安全33

    港口安全 AI 影片分析完整指南

    港口安全的 AI 影片分析透過電腦視覺分析攝影機畫面,識別預設危險、不安全行為及限制區域闖入,並發出警示。應用涵蓋起重機與碼頭作業、設備禁區、碼頭交通、PPE 合規、出入監察及火警偵測;viAct Port Safety Solution 是文中列舉的方案,系統不能取代實體隔離、設備檢查、吊運程序或應急系統。

  8. OpenAI News51

    Block 如何利用 OpenAI 技術打造 AI 安全防護

    Block 使用包括 OpenAI Daybreak 在內的 AI 系統加快漏洞處理,讓安全團隊把時間投放於策略性工作。團隊可在不足1小時內,將建議的偵測變更與7個月的生產遙測資料重播;近期紅隊演練中,從提交概括描述的漏洞到產生自動建議修補程式需時18分鐘。每季約600分析員工時從誤報分流中釋出,另完成約1,100分析員工時的調查,分流處理量提升50%;每項結果仍由人員驗證。

  9. OpenAI News35

    Amp puts AI agents to work beyond code with OpenAI models

    Amp 正藉助 OpenAI 模型拓展 AI 智能體的工作範圍,從規劃產品、撰寫程式碼和設計頁面,延伸至編寫文件及市場推廣。Amp 推出 Sign in with ChatGPT 整合,讓用戶使用更多 token 和 OpenAI 模型,包括 GPT‑6 Astra;團隊亦正測試 GPT‑6 Astra 的 Ultrafast 模式,並以 GPT‑Live‑1 支援即時語音對話。

  10. AWS Machine Learning Blog58

    使用 Amazon Bedrock AgentCore 建立可自我改進的文件處理系統

    AWS 的教學示範如何使用 Amazon Bedrock AgentCore 建立文件處理系統,讓多個智能體分類、擷取及驗證文件,並從修正中學習。方案包含八個專職智能體;新文件格式會生成並修正擷取提示詞,驗證通過後保存供重用,範例中首輪與後續採購單處理耗時分別為 3 分 49 秒和 1 分 30 秒。

  11. Hugging Face Blog61

    HiRO-ACEv2 推出全球 3 km 氣候模擬,成本約為 X-SHiELD 的 1/300

    HiRO-ACEv2 推出新的降尺度模型 HiROv2,可生成全球 3 km 氣候數據,整套系統成本約為 X-SHiELD 的 1/300。HiROv2 可同時預測多種高解析度氣象場;以降解析度的 X-SHiELD 數據為輸入時,即使是每百萬個數據點才出現一次的事件,高解析度統計與目標模擬仍相差不超過 3%。

    推薦理由:內容比較 HiRO-ACEv2 與 X-SHiELD 的生成成本和極端天氣統計表現,並交代系統目前仍受限於按 X-SHiELD 調校的 ACE。

  12. OpenAI News57

    Third Moment Research 如何讓 10,000 個智能體持續運作 36 小時以上

    Third Moment Research 使用 GPT-6 Astra、GPT-6 Sol、GPT-6.1 Sol 和 Codex,支援 10,000 個智能體同時進行 36–48 小時自主研究。Codex 配合 GPT-5.6 找出快取優化和記憶體打包技術,將回測時間由約 3 小時縮短至約 3 至 5 分鐘。Daybreak 會在模擬啟動前自動測試智能體能否脱離研究環境並存取更廣泛的網絡。

  13. Google Research54

    Google Research 在 Research@ 2026 展示 10 種放大人類創造力的方式

    Google Research 在 Research@ 2026 展示 10 項研究進展與工具,涵蓋地理空間分析、科研、醫療、災害預測及教育。Google Earth AI 擴大早期使用範圍,Deep Review 開放予公眾;Groundsource 整理出逾 2.6 million 宗洪災事件的數據集,協助訓練可提前最多 24 小時預測城市山洪機率的模型。

  14. Google Research73

    Google Research 公開發佈 Deep Review,為複雜文件提供技術審閲

    Google Research 公開發佈 AI 智能體系統 Deep Review,為複雜文件提供技術審閲與核查。系統以四階段流程分段文件、按資訊密度分配計算資源,並由多個推理智能體平行核查,再整合結果及進行外部資料核實。每位用戶每日可免費審閲兩份文件,初期支援 PDF 和純文字;上載文件不會用於訓練、微調或改進 Google 模型,並會儲存一年,僅供用戶在 Deep Review 介面查看。

    推薦理由:Deep Review 以分段、按需分配計算資源和並行核查處理長文件,並把高層判斷留給人類,具體呈現其技術審閲流程設計。

  15. Google Research61

    Google Earth AI 擴大 Geospatial Reasoning Agent 早期存取並發布技術報告

    Google Research 更新 Earth AI 的 Geospatial Reasoning agent,發布技術報告並擴大 Ask Google Earth、Geospatial Reasoning Agent API 及 Planetary Prediction Engine 的實驗性早期存取。

    推薦理由:四項基準的比較呈現專用地理空間工具與預先規劃各自的作用,兩項新基準的開發集亦已公開,方便研究者測試相關 Agent。

  16. 香港金管局 · AI 金融及治理61

    香港金融管理局公佈「ART」框架,推動銀行業負責任採用人工智能

    香港金融管理局於 2026 年 10 月 15 日公佈「ART」框架,支持銀行業負責任地採用人工智能,並以問責、韌性和信任為核心。框架包括最新的負責任採用人工智能監管指引、與數碼港及香港大學合作的人工智能訓練數據共享平台,並將透過 GenA.I. Sandbox++ 測試智能體應用,另計劃就相關監管框架發表討論文件。

    推薦理由:金管局計劃在智能體監管框架討論文件中探討意圖錨定問責、重要 AI 智能體登記及有效介入機制,呈現其治理設計的具體方向。