发布会上，孙文剑正式发布AGX Agentic Compute战略。

1、金年汇 而中国「芯」的智能体时代，或许正从今天的上海滩，启程出发。

2026 年 5 月 23 日，万拿机器人灵巧手进入国内某知名品牌的真实仓储业务现场，参与「618」期间的分拣作业，成为全球较早将灵巧手应用于真实业务场景并开展实际作业的企业之一。金年汇做了4年端到端加密产品、刚被挖来的高管Andrew Milich亲自站台背书。

2、林葳换徐杰到底谁赚了？朱芳雨走后广东最后一搏 同曦只为钱

OpenAI大手一挥，把全员额度统统清零重置。

3、总出问题的马拉松兔子，还有必要存在吗

跑是能跑。

4、丢人！上海阿根廷球迷在警方面前公然挑衅 模仿猩猩种族歧视黑人

然而，极致简洁的暗面，是早早埋下的无数暗坑。

5、日本凭什么敢反复对中国这么狂？真相揭开，远比你想象的更残忍！

P4、P5 级别的重复性任务，智能体已经接管。

在Claude Code官方总结的一堆实战技巧里，被单独拎出来、标为「最有价值的一条」的，是验证（verification）： 给Claude一个能自己检查产出的方式。

V4预览版发布时，官方自测的SWE-bench Verified中—— DeepSeek-V4-Pro-Max距Claude Opus 4.6 Max仅差0.2个百分点，价格却只有对方的七分之一。

6、马斯克远程敲钟穿了老黄的皮衣！SpaceX员工集体穿上绿鞋

真实威胁中的后门究竟想要什么样的输出？一个容易被忽略、却至关重要的问题是：后门的目标输出不应是「一条固定文本」。

最终交付的是8个文件，约1400行代码，五个新API、26项上传测试，浏览器端连暂停续传和刷新恢复一起做完。

7、云南大学拟撤销两个本科专业，国家级一流专业也在列，原因很现实

随着AI顶会投稿规模持续增长，同行评审面临的压力仍在不断增加。

这不仅为大规模GPU训练与推理业务提供了更加稳定、高效的基础设施保障，也让运维人力能够被真正解放出来。

8、听证会变吵架现场！美国民主党猛轰布兰奇：你就是复仇工具

超维动力给自己的定位，从来不是一家单纯的机器人公司。

模型规模扩大可以提升部分规则清晰的任务，例如原子替换、删除和移动；但面对旋转、区域删除、扩超胞等需要三维空间理解和几何规划的操作时，提升并不稳定。

最后说「眼」。

9、见“郑”女王，创造历史：那一枚奥运会女网单打金牌

不跳出编辑器，不等CI回来，不另开工单。

一句话，一个成品。

10、图灵奖大佬魔都设擂！拒绝AI跳舞，机器人实景肉搏，赢了分百万

为什么？答案不是梅卡曼德造出了一台「万能机器人」，而是：它造机器人的「眼睛」「大脑」和「手」，然后把这一套装进不同的身体里。

GDPS要做的，正是把这些真实场景需求翻译成可测、可比、可复制的赛题，在大赛中完成实景测试验证，让央企、国企、民企、外企开放特定场景，获得更优解法、更快路径和更稳方案。

1、红色引擎激活金融活力！券商银行多点施策，筑牢实体经济坚实“底盘”

在一篇令人震惊的长文中，他揭露了谷歌如何一步步向五角大楼妥协，最终签下一份「毫无红线」的军事AI协议。

2、女篮世青赛四强正式出炉！美国队压哨晋级：中国1分惜败被淘汰出局

这四类失配，横跨了报告测试的14个前沿模型，包括Anthropic、OpenAI、Google DeepMind、xAI等全球前沿AI实验室。

3、价格暴涨！山姆超市被抢空了

不同任务的复杂度天差地别，落地时企业却习惯性地全量呼叫最高性能的模型。郭士强下课！丑陋的比赛，毫无战术，丢人现眼，中国男篮脸丢光了把这些维度串起来，会看到一个完整的增强回路。

4、伊朗称伊斯法罕省遭美国袭击

对于游戏模拟、虚拟场景探索、机器人和具身智能训练等应用场景，推理延迟和显存成本是能否走向实际使用的关键门槛。

5、全球聚焦卡车司机短缺问题：澳大利亚四分之一卡车司机预计五年内退休

它甚至会信心满满地，把一个错的方案越做越「完整」。

6、业绩超预期+云业务大爆发，谷歌为什么还在跌？

上阵的只有6台机器人：4台桌面机器人，2台人形轮式机器人。

他把企业区别于竞争对手的核心能力称为Alpha。

简而言之，S1-Omni成功打通了从「跨模态科学理解与推理」到「领域原生结果生成」的完整链路。

7、欧洲三分之一国家实际工资不及2021年：德国涨幅微乎其微

机器人的「ChatGPT时刻」还有多远？ 六位专家圆桌激辩 主题演讲是各摆各的战绩，到了圆桌，六位专家则给出了火药味的激辩。

现在整个工作流嵌进智能体了，它就是工作台。

8、瑞士CEO：美国扩张带动经济，关税争端影响有限

当他再次走进谷歌办公楼这个「科技圣殿」时，他感觉自己像是一个回到了旧高中的毕业生——曾经这里装满了梦想， 但现在，他非常清楚地知道，自己已经不属于这里了。

相当于给一道菜专门砌了一个灶台，灶眼大小、锅具位置、火候档位，全部量身定制。

模型知道应该写文件，也声称自己写了，但在工具调用层面没有动手。

这带来两个核心挑战： 训练时监督信号稀疏：后门的目标监督被分散在随机的掩码模式中，稀疏的「触发器—目标」关联容易被普通词的重建所稀释； 强泛化的副作用：随机掩码与任意顺序建模会让 DLM 泛化能力更强，进一步淡化稀疏的后门关联。