ElevenLabs 擴展西班牙業務
ElevenLabs 今日在馬德里開設辦事處，並擴大西班牙業務，擴充本地銷售及工程團隊。eDreams ODIGEO（eDO）使用 Eleven Agents，以五種語言處理數以百萬計的客戶支援互動，並在問題解決速度及轉接率方面取得雙位數改善。
#Agent
#Agent
今日 159 條ElevenLabs：BlogAI 評分3737 ElevenLabs：BlogAI 評分5858 ElevenLabs 推出教授語音 AI 支援計劃及 Einstein 互動學習體驗
ElevenLabs 推出教授語音 AI 使用計劃，並推出以 Einstein 的聲音和作品為基礎的互動學習體驗。教授可免費使用 Pro tier，並可為特定課程和項目向學生提供限時使用權限。重現後的 Einstein 聲音可在 ElevenReader 聆聽；基於 ElevenLabs Agents 的互動體驗則支援用戶即時提問和探索科學概念。
ElevenLabs：BlogAI 評分7474 ElevenLabs ARR 超過 $500M，並迎來 BlackRock、NVIDIA 等新投資者
ElevenLabs 宣佈 ARR 在 2026 年首四個月已超過 $500 million，並完成 Series D 第三次交割，迎來 BlackRock、NVIDIA（透過 NVentures）等新投資者。
ElevenLabs：BlogAI 評分6565 ElevenLabs 在 ElevenCreative 推出 Flows Agent
ElevenLabs 在 ElevenCreative 推出 Flows Agent，讓用戶以對話描述創作需求，由智能體建立、連接並執行工作流程。它會選擇合適模型、建立及連接節點，並在生成前確認影片長度、語氣和結構；啟用 Assist mode 後，高成本生成須經用戶確認。
ElevenLabs：BlogAI 評分5252 ElevenLabs 在 ElevenAgents 推出 Procedures 功能
ElevenLabs 在 ElevenAgents 推出 Procedures，讓團隊為智能體設定常見情境下的操作指示。Procedures 分為按固定步驟執行的結構化流程，以及可按對話調整並調用工具的自由形式流程。用戶可匯入 docs、PDFs 或 txt 檔案，由 ElevenAgents 草擬 Procedure 供確認或修改；功能目前處於 Alpha。
ElevenLabs：BlogAI 評分5454 ElevenLabs 推出 CLI v1，將 API 帶入終端機
ElevenLabs 推出 CLI v1，將 ElevenLabs API 帶入終端機，並以面向編碼智能體的指令和結構化 JSON 結果設計操作流程。CLI 支援 agents-as-code，可將工作區內的 Agent 匯入本機設定檔、編輯及預覽差異，再手動或透過編碼智能體推送至 production；`--dry-run` 可在操作影響工作區前預覽。
Fireworks AIAI 評分5555 在 Fireworks 透過 LoRA 訓練，讓 Kimi K3 貼合指定任務
Fireworks 以私人預覽形式開放 Kimi K3 的 Multi-LoRA 訓練與服務，並透過 Fireworks Serverless Training 提供。
Fireworks AIAI 評分7373 Fireworks AI 提供 Kimi K3 推理與訓練，推出美國境內 Serverless 端點
Fireworks AI 已在其平台提供 Kimi K3 推理與訓練，並推出以 Kimi K3 起步的美國境內 Serverless 端點。Kimi K3 有 2.8T 參數；端點提供美國境內推理及零資料保留，Fireworks 對開放模型預設不記錄或儲存提示詞及生成數據，除非用戶明確選擇加入。
Fireworks AIAI 評分5353 企業如何邁向專門化智能並訓練自有模型
Fireworks AI 的文章梳理企業邁向專門化智能的路徑，從租用封閉式前沿模型、加入開源模型，逐步走到微調自有模型。在 UIPad 測試中，Kimi K3 與 GPT 5.6 Sol 整體同為 87.7 分，但 Kimi K3 執行成本為 $56，GPT 5.6 Sol 為 $115；按題型分流，可把座標題交給 Sol，其餘題目交給 K3。
Prime IntellectAI 評分7373 Prime Intellect 發佈 106B 參數 INTELLECT-3 MoE 模型，開源大規模 RL 訓練資源
Prime Intellect 發佈 106B 參數的 INTELLECT-3 MoE 模型，並開源模型權重、訓練框架、數據集、RL 環境及評測。模型以 GLM-4.5-Air 為基礎，經 SFT 和 RL 訓練，使用 512 張 NVIDIA H200 GPU、分佈於 64 個互連節點，歷時兩個月。
Goodfire ResearchAI 評分5959 Rakuten 部署 SAE probes，為 AI 智能體偵測 PII
Goodfire 與 Rakuten 合作研究以 SAE probes 偵測 Rakuten 的 AI 智能體用戶訊息中的 PII，Rakuten 已將該方法部署至生產環境。
Prime IntellectAI 評分7474 Prime Intellect 推出 Lab 全棧模型訓練平台
Prime Intellect 推出 Lab，將 Environments Hub、Hosted Training 和 Hosted Evaluations 整合為模型後訓練研究的全棧平台。平台現支援基於 prime-rl、使用 LoRA 的智能體強化學習訓練，並可在自建環境中執行。私測期間已完成逾 3,000 次 RL runs，現已向所有人開放。
Prime IntellectAI 評分6565 Prime Intellect 與 Browserbase 合作，透過 BrowserEnv 訓練瀏覽器與電腦操作智能體
Prime Intellect 與 Browserbase 合作提供 BrowserEnv，讓用戶可在真實網站互動環境中訓練瀏覽器及電腦操作智能體。團隊以 WebVoyager 基準的 600 項真實網頁任務微調 Qwen3-VL-8B-Instruct，訓練流程和環境均已放在 Hub，並可完整重現。
Prime IntellectAI 評分5252 Prime Intellect 將 FrontierSWE 編碼基準上架 Environments Hub
Prime Intellect 將 Proximal 的 FrontierSWE 編碼基準上架 Environments Hub，用戶可透過 Prime CLI 執行評測。
Prime IntellectAI 評分7272 Prime Intellect 正式開放 Lab 自我改進智能體訓練平台
Prime Intellect 宣佈 Lab 結束 beta 階段並全面開放，平台把自我改進智能體的任務設定、評估、訓練和部署整合為一套流程。Lab 以環境封裝任務、工具、模擬器和獎勵指標；Hosted Training 支援在用戶環境中執行大規模強化學習，並訓練 LoRA adapter。
Prime IntellectAI 評分5454 Prime Intellect 開源 renderers，提供 Agentic RL 的 token 級模板處理工具
Prime Intellect 開源獨立 Python 程式庫 renderers，讓開發者以可編程的 Python 物件控制 RL 和多輪推理的對話格式。它在 token ID 層處理訊息渲染、回應解析、loss mask 標記及多輪橋接，以保留已採樣 token 前綴；文章指出，五輪 rollout 若每個邊界都無法合併，計算量約為連續序列的 3x。
Prime IntellectAI 評分6464 Prime Intellect 開源 General Agent 自我演進式合成智能體環境
Prime Intellect 開源 General Agent 環境首個版本，並以合成器生成任務、按求解模型通過率逐級校準難度。語料目前包含 4,504 項任務、1,040 個領域及 8,159 種獨特工具。
Prime IntellectAI 評分5858 Prime Intellect 推出 Hosted Evaluations，支援託管模型評測
Prime Intellect 推出 Hosted Evaluations，讓用戶能使用可擴展基礎設施，在自己的評測項目上測試模型。用戶可在 Environments Hub 已支援的數百個社羣環境中執行評測，亦可透過 CLI 加上 --hosted 參數啟動。評測結果可發布至相應排行榜；由於環境開源，各模型會在相同設定下受評，而檢視器會顯示採樣參數、其他設定、樣本、執行軌跡、工具呼叫及結果。
Prime IntellectAI 評分6363 Prime Intellect 加入 NVIDIA Nemotron Coalition，貢獻 2,500+ 個開放 RL 環境
Prime Intellect 宣佈加入 NVIDIA Nemotron Coalition，貢獻 2,500+ 個開放 RL 環境及後訓練工具，支援 Nemotron。
Prime IntellectAI 評分6868 Prime Intellect Lab 開放 Nemotron 3 Ultra 託管後訓練支援
Prime Intellect 在 Prime Intellect Lab 開放 NVIDIA Nemotron 3 Ultra 的託管後訓練支援，涵蓋 RL 訓練、評測與推理部署。
Prime IntellectAI 評分6161 prime-rl 0.6.0：萬億參數規模強化學習效能深度解析
Prime Intellect 發佈 prime-rl 0.6.0，支援萬億參數規模模型的智能體強化學習訓練。該團隊表示，可在 28 個 H200 節點上以最高 131k 的序列長度、低於 5 分鐘的單步時間及 256 個 rollouts 的批次大小，訓練 GLM-5 執行 SWE 任務。
Prime IntellectAI 評分6666 Prime Intellect 宣佈募集 $130M A 輪融資，以建設開放超級智能全棧
Prime Intellect 於 2026 年 7 月 8 日宣佈募集 $130M A 輪融資，由 Radical Ventures 領投，多家投資者參與。公司稱，累計融資額已超過 $150M，將用於建設涵蓋訓練、部署及持續改進的開放超級智能全棧。Prime Intellect 表示，其全棧已有超過 6k 名客戶使用，年化收入在不足一年內升至超過 $100m。
Prime IntellectAI 評分6767 verifiers v1 將智能體強化學習與評測環境拆分為 taskset、harness 及 runtime
Prime Intellect 推出 verifiers 0.2.0，預覽重寫後的核心架構，將智能體訓練與評測環境拆分為 taskset、harness 及 runtime。
Prime IntellectAI 評分6666 Prime Intellect 整合 23 個 Agentic RL 任務集，涵蓋約 365,000 項任務
Prime Intellect 將 23 個軟件工程、終端機及搜尋任務集整合至同一 taskset API，合計約 365,000 項任務。這些任務可用於評測及 RL 訓練；多個 SWE 數據集經 gold patch 與無修改檢查後，已重新上載清理版本。作者指出，智能體與評分機制共用沙盒仍有 reward hack 風險，隔離評分環境仍在路線圖上。
Liquid AI 模型與工程博客AI 評分6161 Liquid AI 發佈 LFM2，定位為市場上最快的裝置端基礎模型
Liquid AI 發佈 LFM2，推出 0.35B、0.7B 和 1.2B 三個參數規模的模型，面向裝置端生成式 AI。官方表示，LFM2 在 CPU 上的 prefill 和 decode 速度最高達 Qwen3 的 2 倍，訓練效率較上一代提升 3 倍。
Liquid AI 模型與工程博客AI 評分6565 Liquid AI 發佈 Liquid Nanos，主打在日常裝置上提供前沿級表現
Liquid AI 發佈 Liquid Nanos，一系列 350M–2.6B 參數的基礎模型，可在手機、手提電腦及嵌入式裝置上本機運行。首批實驗性模型涵蓋資料抽取、英日雙向翻譯、RAG、工具調用及數學推理，另包括社羣製作的法語微調模型。模型現已在 Liquid Edge AI 平台（LEAP）及 Hugging Face 提供，並以開放授權向學術界、開發者及小型企業開放。
Claude：BlogAI 評分6969 Claude Projects 改版：從資料夾走向對話
Claude 開始向部分 Claude Pro 和 Max 訂戶開放改版 Projects beta，讓用戶設定目標後，由協調器分派工作至多條 Claude Code 執行緒並整合結果。
Claude：BlogAI 評分6868 Claude Marketplace 上線，集中展示插件、智能體、產品及合作夥伴服務
Claude Marketplace 正式上線，整合插件與連接器、智能體與產品，以及服務合作夥伴，讓客戶可在同一平台尋找工具和服務。平台目前提供逾 2,000 個連接器及插件，客戶亦可用部分已承諾的 Anthropic 支出購買 Claude 驅動的軟件。開發者可運用 MCP 和智能體技能建立連接器或插件，產品商可申請上架，服務商則可加入 Claude Partner Network。
Claude：BlogAI 評分5656 Anthropic 分享 AI 驅動程式碼現代化項目的籌備方法
Anthropic 的前線部署工程師分享企業籌備 AI 驅動程式碼現代化項目的六步方法，涵蓋界定目標、驗收條件、變更上線政策、前置準備、智能體工作流程及正式執行。文章建議以 Claude Code 建立按項目調整的工作流程，先在小部分程式碼上端到端試行，再擴展至完整程式碼庫。試行期間可量度 tokens 用量以估算成本，並把計算量大的驗證安排在較簡單的檢查通過後執行。
Claude：BlogAI 評分7474 編碼工作階段更長、使用更多上下文，Claude Opus 5.5 為此而設
Claude Opus 5.5 針對更長、上下文用量更高的編碼工作階段設計，按 token 計費的典型工作負載估計比 Opus 5 便宜約 40%。輸入及輸出 token 價格下調 20%，讀取快取 token 的價格下調 60%；Claude Code 的快取未命中輸入亦減少逾 50%。文中指出，長而開放的任務較有機會透過減少錯誤方向上的回合降低成本，而簡單、短小的機械式任務所需回合數大致相同。
Liquid AI 模型與工程博客AI 評分6161 Liquid AI 發佈面向端側部署的 LFM2.5 模型系列
Liquid AI 發佈面向端側部署的 LFM2.5 模型系列，涵蓋 Base、Instruct、日文、視覺語言及音訊語言型號。LFM2.5-1.2B 的預訓練規模由 10T 增至 28T tokens；LFM2.5-Audio-1.5B 的音訊 detokenizer 在 mobile CPU 上以同等精度較 LFM2 的 Mimi detokenizer 快 8x。
Liquid AI 模型與工程博客AI 評分6767 Liquid AI 發佈 LFM2.5-1.2B-Thinking，手機記憶體佔用低於 1GB
Liquid AI 發佈 LFM2.5-1.2B-Thinking，一款可完全在裝置上運行的推理模型，手機記憶體佔用低於 900 MB。模型有 1.2 billion 個參數，在多數推理基準中匹敵或超越 Qwen3-1.7B（thinking mode），參數量少 40%。現已可透過 Hugging Face、LEAP 和 Playground 使用。
Liquid AI 模型與工程博客AI 評分5858 LFM2-24B-A2B 在消費級硬件上運行本地工具調用智能體
Liquid AI 以開源桌面智能體 LocalCowork 測試 LFM2-24B-A2B 在筆電本地執行工具調用的表現，模型、工具和資料均留在裝置上。在 Apple M4 Max、36 GB 統一記憶體的筆電上，工具選擇平均耗時約 385 ms、佔用約 14.5 GB 記憶體，單步準確率為 80%。
Liquid AI 模型與工程博客AI 評分6262 Liquid AI 發佈 LFM2.5-350M，預訓練規模增至 28T tokens
Liquid AI 發佈基於 LFM2 架構的 LFM2.5-350M，這款 350M 參數模型經額外預訓練（由 10T 增至 28T tokens）及大規模強化學習。
Liquid AI 模型與工程博客AI 評分6666 Liquid AI 發佈端側 MoE 模型 LFM2.5-8B-A1B
Liquid AI 發佈端側模型 LFM2.5-8B-A1B，將上下文窗口擴至 128K，並把預訓練規模由 12T 增至 38T tokens。該模型採用推理專用設計，詞表由 65,536 擴至 128,000，AA-Omniscience Index 由 -78.42 升至 -24.70。
Zyphra ResearchAI 評分5353 Zyphra 推出 Zyphra Cloud，首發針對 AMD 優化的長上下文智能體推理服務 Zyphra Inference
Zyphra 推出全棧 AI 平台 Zyphra Cloud，並首發面向大型開放模型和長上下文智能體工作負載的推理服務 Zyphra Inference。服務由 AMD MI355X GPU 提供支援，涵蓋 Kimi K2.6、DeepSeek V3.2 和 GLM 5.1 等開放模型。
Zyphra ResearchAI 評分5959 Zyphra 發佈 ZAYA1-74B-Preview，展示 AMD 上的大規模預訓練能力
Zyphra 發佈 ZAYA1-74B-Preview，這是一個有 4B 啟用參數、74B 總參數的 MoE 推理基礎 checkpoint，展示其在 AMD 上端到端進行大規模預訓練的能力。
Replit：BlogAI 評分6262 Replit 推出 Agent Customization，讓 Replit Agent 套用 Custom Instructions 和 Skills
Replit 推出 Agent Customization，讓 Replit Agent 在不同專案中套用個人或團隊慣例。Custom Instructions 會在每個專案和工作階段自動加入 Agent 上下文，適用於 Pro 和 Enterprise；Skills 則按相關任務載入，所有方案均可使用。
Replit：BlogAI 評分5555 Replit 説明如何以評估閉環持續改進 Replit Agent
Replit 將 Replit Agent 的評估由發佈前的單次檢查，轉為結合離線基準、線上 A/B 測試及生產軌跡分析的持續改進閉環。ViBench 以自然語言產品需求文件和測試計劃評估生成應用是否符合規格，Telescope 則整理生產軌跡並聚類失敗模式。改進循環會提出候選修正、建立草稿 PR 並彙整評估證據，工程師仍負責審核及決定是否發佈。
Replit：BlogAI 評分6565 Replit 分享 AI Agent 如何改變公司運作，提出「自我運作公司」概念
Replit 表示，已將 Agent 系統融入公司多個部門的工作流程，逐步形成由人設定目標、Agent 執行任務並檢查結果的「自我運作公司」模式。從 1 月初至 6 月底，程式碼貢獻量增加 5.8 倍；固定作者羣的程式碼產出達之前的 2.9 倍，而審查延遲、PR 回退率及事故數維持平穩。