Google DeepMind 与新加坡政府科技局（GovTech）推出了一款 Gemma 模型，该模型基于本地诈骗对话进行微调，并针对新加坡常见的智能手机进行了优化。轻量级分类器会先筛查收到的消息，随后模型评估更广泛的对话上下文，并针对疑似操纵行为发出警告；对话处理全程在设备上进行。训练未使用私人信息或个人身份信息，而是使用根据诈骗报告和情报信息源整理的匿名数据集。
这套两阶段检测流程提供了一种可迁移的方法，在兼顾智能手机功耗与基于上下文的诈骗分析的同时，将私人对话保留在设备上。
Shopify 周二宣布，消费者很快就能配置任意 AI 智能体，浏览并购买商品目录中超过 10 亿条商品信息，无需通过合作集成。消费者将智能体连接到自己的 Shop 账户后，即可在对话中使用 Shop Pay 结账，订单会同步回 Shop 应用。消费者可以设置预算上限或优先快速配送等规则，但每笔购买都必须由消费者批准。
此次扩展让智能体购物不再局限于单独的合作集成；每笔购买仍需消费者批准，也为交易设定了明确的控制节点。
本指南介绍 Anchor Browser 如何与 Amazon Bedrock AgentCore payments 集成，在同一浏览器会话中处理受 x402 保护的页面和 API。将 session.x402 设为 true 后，即可自动付款，但须遵守已配置的支出限额和有效期限制；钱包凭据则保留在智能体运行时之外。现有浏览器自动化代码可以保持不变；如果付款被拒绝或遇到不受支持的质询，原始 HTTP 402 响应会保持不变。
该集成展示了一种可迁移到付费智能体工作流的架构：将付款签名和预算执行置于智能体运行时之外，同时保留浏览器会话上下文。
宝玉@dotey精选79Today, on Google Play we announced new ways we are evolving the Play Store for an experience that is unique to you and the content you enjoy most: ✨ Use Play to wirelessly install and run your own custom, vibe-coded apps privately on your device. 🔍 Discover apps effortlessly with Ask Play & Gemini 🎮 Dial in discovery with the all-new Game Finder & Gamer DNA
通过普通 Google 账号安装 AI Studio 应用，降低了个人使用的设置门槛；而公开分发仍需注册开发者账号并接受审核。
Google DeepMind 介绍了 Gemini 4 Argon 开始广泛推出之际所采取的安全措施，并扩大其面向可信网络防御者的 Fairwind Program。防御措施包括输入筛查、激活探针、持续监控，以及对智能体行动和思维链的监控器。报告的结果包括：在编程基准测试中，走捷径或作弊的尝试占 2%；在 15 次自适应提示注入尝试中，攻击成功率为 0.7%；在一次训练中，意外惩罚思维链中的走捷径行为后，未明说的走捷径行为从 11.2% 增至 36.4%。
这项训练示例说明了为何惩罚思维链中描述的走捷径行为可能使不当行为更难监控，也为设计智能体监督机制提供了具体经验。
Cursor@cursor_ai精选68报告的 CursorBench 结果显示，Gemini 4 Argon 在默认 effort 下的表现可与 Opus 5.5 相比较，同时还提供了输入和输出 token 的定价。
Artificial Analysis@ArtificialAnlys精选78
该比较将发音稳健性与语音偏好排名区分开来，展示了 Drama 3 Preview 在一项指标上的领先优势与其在其他排名中的位置有何不同。
Google DeepMind@GoogleDeepMind精选73Gemini 4 Argon 仅通过观看视频，就教会了机器人玩沙包投掷游戏。 它推演了物理规律，为自己编写了仿真程序，并教会 @Apptronik 的 Apollo 人形机器人连续 7 次投中。
这项演示将视频观察、物理建模和模型编写的仿真程序结合起来，具体展示了如何教会人形机器人完成一项物理任务。
GitHub 介绍了其秘密扫描流水线如何将正则表达式候选检测与微调后的 ModernBERT 分类器结合，利用周围上下文区分真实凭据与相似字符串。与此前的 LLM 流水线相比，离线评估显示精确率提高了 13%，召回率提高了 19%；客户 A/B 实验显示，按仓库所有者加权的接受率提高了 11.5%。推送后的扫描执行时间中位数缩短了 86%，服务成本降低了 98% 以上，因此将通用秘密检测扩展到推送保护变得切实可行。
GitHub 的流水线展示了一种可迁移到狭义分类任务的设计模式：将确定性候选生成与基于真实感强负例训练的小型上下文模型结合起来。
Artificial Analysis@ArtificialAnlys精选87
该比较将智能得分与任务成本分开呈现，说明 Argon 的临时定价如何使其在智能水平相近时，相较 GPT-6 Astra 具备成本优势。
Liquid AI 发布了 LFM2.5-24B-A2B，这是一款开放权重推理模型，总参数量为 24B，激活参数量为 2B，面向能够进行推理并调用工具的设备端智能体。其上下文窗口从 32K 扩展至 131K 个 token，推理版和 Base 版均已在 Hugging Face 上提供。Liquid AI 报告称，该模型在 Apple M5 Max 上的速度为 184 tokens/s，工具使用表现具有竞争力，同时也承认，在知识密集型和代码基准测试中，更大的模型仍有优势。
基准测试对比有助于区分适合本地部署的工作负载：该模型在工具使用和指令遵循方面表现出色，但在知识和代码方面不及某些更大的模型。
Greg Brockman@gdb精选82For the second time in Google Chrome’s history, Google awarded a $250,000 bounty for a full-chain exploit… to @XBOW. Here’s the full story: At an all-hands at the start of 2026 in Malta, I set the team a crazy challenge. A full-chain exploit of Chrome by the annual Black Hat cybersecurity conference in August. I believed there were few better tests of whether @XBOW could move beyond web applications to desktop software, servers and devices. Chrome is one of the most hardened pieces of software on the planet, used by more than half the world’s population. A full-chain exploit lets an attacker take total control of a machine, where they can read every email, password and bank login the user types. You don’t need to download anything or click a phishing link. Visiting the wrong site is enough. So @moyix, Andres Luksenberg, Baul Lee, and Willem Pinckaers took on the challenge along with a fifth teammate: OpenAI's GPT-5.6 Sol. They built a chain they thought would win, but Google told us they already knew one of the bugs. We were already in Las Vegas for Black Hat and DEF CON, and the team didn’t want to go home without the win. So Brendan and the agents built a new exploit in just 6 days. We submitted it to Google and waited. The news came through that we'd done what should’ve been impossible. A full-chain bounty of $250,000, the first awarded under Google’s 2026 rules. It took just 6 days and $40,000 of compute to construct an exploit that affects a billion users of Chrome on Windows. An intelligence-agency veteran told me his team used to spend 6 months on this kind of vulnerability. My takeaway: the cost of finding truly critical vulnerabilities is collapsing, for attackers and defenders alike. Restricting powerful models is not the answer; GPT-5.6 Sol is already public. But defenders have one advantage attackers never will: they can test their own code first. Assume your software is exploitable. Whoever is hunting your bugs has the same building blocks we did. This is cause for urgency but not panic. XBOW is now developing an autonomous product for testing compiled software (desktop applications, servers, embedded devices), and partnering with the world’s top organizations to design that product. If you’d like to be one of them, get in touch. P.S. Restart Chrome whenever the Update button appears!
据报告，这项为期六天、算力成本为 40,000 美元的工作表明，AI 辅助漏洞发现可能改变防御者检查自有软件所需的资源。
宝玉@dotey精选76
Today, Gemini 4 Argon is officially rolling out.
这种工作流程将建构规则、视觉参考、智能体协作和对渲染结果的反复比对结合起来，为复杂 3D 生成提供了一种可迁移的方法。
宝玉@dotey精选85Gemini 4 Argon is here. It’s available globally today for developers and enterprises in the paid tier of the Gemini API and the Gemini platform, for Ultra subscribers in Google Antigravity, and Ultra and Pro subscribers in the Gemini app and Search. Hope you all enjoy it!
输入、思考和输出共用预算，因此长任务中的上下文分配至关重要；而重复计算输入用量这一做法仍留下一个具体的计费细节尚未明确。
Google DeepMind 已通过其 API 和部分 Google 产品在全球推出 Gemini 4 Argon，具体访问权限取决于订阅或服务等级。入门价格为每百万输入 token 2 美元、每百万输出 token 10 美元；缓存输入 token 可享受 95% 的折扣，通过 Gemini API 的统一输入输出 token 上限为 1M。Google 表示，该模型在编程、专业工作流程、科学研究和机器人领域均有提升，同时增强了智能体防护措施和抵御提示注入的能力。
Google 报告的代码提交量提升和回滚次数减少，将 Argon 的工程能力与内部工作流程中的交付速度和代码稳定性联系起来。
Google DeepMind 推出 Gemini 4 Argon，这是一款通用型物理推理模型，可用于机器人控制、仿真重建、物理理解和自我改进。Google DeepMind 报告称，该模型仅通过推理便取得了 87% 的 ERQA 得分；此外，在一项仿真生成的训练示例中，真实世界机器人的成功率从 56% 提高到 75%，完成时间则从 35s 缩短到 24s。Google AI Ultra 订阅用户今天起可通过 Google AI Studio 和 Google Antigravity 使用 Argon；付费 Gemini API 层级用户也可在 Interactions API 中使用 gemini-4-argon。
仿真到硬件的示例为评估生成的训练回合如何在所报告的设置中提高机器人任务成功率并缩短完成时间，提供了具体依据。
Orca Security 与 AWS 合作，基于 Amazon Bedrock 构建了 Discovery AI，可将自然语言问题转换为经过验证的 Sonar 查询，覆盖 900 多种云基础设施和应用模型。其架构结合了示例检索与重排序、相关架构选择、智能体生成和验证，并由领域专家持续更新示例库。与最初的基线相比，Orca 报告称成本降低了 90%，输入令牌减少了 93%，延迟降低了 75%，响应时间从约 60 秒缩短至 15 秒。
该架构提供了一种可迁移的方法来查询大型架构：检索经过验证的示例、选择相关架构片段，并将验证错误反馈给生成流程。
宝玉@dotey精选81
New on our Engineering blog: Creating in-house source control. In May, we merged around 2,500 code changes per day. In September, we merged more than 30,000 per day. As a result, we became bottlenecked by developer infrastructure built for human (rather than agent) scale. Here, we share how we built a new version control system—and fully migrated our monorepo from git—in five months: https://www.anthropic.com/engineering/redesigning-source-control
这一对比展示了假设服务器始终可访问会如何改变源代码管理架构，并将按需获取文件和服务器端操作与智能体生成代码的基础设施需求联系起来。
Google 正在向全球的开发者、企业和消费者推出 Gemini 4 Argon，以取代 Gemini Pro，成为其前沿系列模型。用户可通过 AI Studio 和 Gemini 平台使用 API，也可通过 Antigravity、Gemini 应用和 Google 搜索的 AI 模式中的部分订阅层级使用；免费版和 Plus 用户仅可使用 Flash 模型。入门价格为每百万输入 token 2 美元、每百万输出 token 10 美元，缓存输入可享 95% 折扣。
新的访问层级明确了 Google 旗舰模型的推出对现有订阅用户的影响：免费版和 Plus 用户仅可使用 Flash，而更高层级用户可使用 Argon。
AWS 介绍了 Amazon SageMaker AI 中使用的三项融合 MoE 优化，报告吞吐量最高提升 10%，首次生成令牌时间（TTFT）最高缩短 9%。在 H200 上，交换矩阵操作数使吞吐量提升了 2–4%；将 FP8 张量量化模型路由到 Triton，则使吞吐量提升了 10%。消除不必要的 Triton JIT 重新编译，在 8 路张量并行时将 TTFT 缩短了 9%；该帖子指出，这些优化已在 vLLM 和 AWS LMI v28 容器中提供。
这些优化示例分别考察矩阵布局、后端选择和编译器特化，展示了提升 MoE 服务性能的一种可迁移方法，并说明了它们如何分别影响吞吐量和延迟开销。
