上海部署三大任务，推动工业智能体贯穿工业生产全周期

上海市通信管理局近日印发《上海信息通信业加速赋能工业智能体建设 助力新型工业化的指导意见》，落实工业和信息化部《“人工智能＋制造”专项行动实施意见》《工业互联网和人工智能融合赋能行动方案》及2026年“模数共振”行动等部署。文件要求信息通信业发挥算网设施、算力调度、数据流通、安全保障和生态集聚等方面的能力，围绕工业智能体培育新质生产力并服务新型工业化。

《指导意见》确立创新驱动、场景牵引、算网筑基、数据赋能、安全可控、生态协同六项原则，提出到“十五五”末，基本建成以工业智能体为核心引擎、由信息通信业赋能新型工业化的完整体系，形成网络支撑有力、算力供给充沛、数据流通顺畅、模型应用丰富和安全保障可靠的发展格局。三大重点任务首先是夯实技术融合底座，包括统筹多层次算力设施、推进算网一体化、构建大模型与小模型协同体系，研发多模态感知工业具身智能技术，突破多智能体协同技术，并布局6G、量子计算与工业智能体的融合。

第二项任务是深化“模数共振”行动，利用信息通信业在数据传输、治理和流通方面的能力，推进工业数据汇聚治理及高质量数据集建设，连通数据、模型与智能体之间的协同链路，实现以模型牵引数据、以数据赋能模型。第三项任务覆盖研发设计、生产制造、经营管理、客户服务和产业协同五个核心环节，依托工业智能体互联网体系，把相关技术嵌入工业生产全周期，规模化落地典型场景并形成可复制、可推广的方案。上海市通信管理局还将会同相关部门，通过协同推进、政策资金支持和区域先行先试等措施落实文件。

Twitch将允许母公司Amazon使用创作者的频道内容训练生成式AI内容模型，并把创作者默认纳入这项安排；不希望参与的用户必须主动退出。直播录像可为Amazon提供数千小时的音频和视频训练材料，而Twitch创作者通常每周会长时间录制自己的画面与声音。规则公布后迅速引发社区反对，部分用户担心创作者可能在并不知情的情况下，让自己的内容进入Amazon的模型训练流程。

Twitch社区负责人Mary Kish与首席产品官Mike Minton随后在官方频道直播中回应近3000名观众，聊天区有大量反对AI训练的留言。面对用户要求改成主动加入，Minton直言：“如果这是主动加入，就不会有人加入。这就是坦率的答案。”Twitch发布消息时没有直接表述为Amazon将开始使用用户内容训练，而是称平台新增了一项设置，让用户可以退出Amazon范围内的生成式AI内容模型训练。这种说法也令部分创作者疑惑，自己的视频是否已经在不知情时被使用。Minton回答称，他并不知道Amazon此前在模型训练中具体使用或未使用过哪些内容。

Kish提到，使用公开用户内容训练AI并非Twitch独有，并以Meta为例说明：Facebook和Instagram公开账户的数据可能已用于Meta的AI训练；英国用户可以退出，其他地区用户若要避开，只能把账户设为私密，但依靠公开账户变现的创作者难以采用这一方式。Kish称，Twitch提供退出选项，是对社区不希望其内容用于生成式AI训练这一诉求的回应。用户若要退出，需进入频道设置而非创作者控制面板，打开“安全与隐私”标签，向下找到“用于生成式AI的训练”选项并将其关闭。

开源工具LiteLLM遭遇供应链攻击，TB级访问凭据因此暴露。LiteLLM用于简化由AI驱动的软件开发流程，攻击涉及从Python Package Index官方位置下载的受损版本。暴露的秘密信息涉及Microsoft、Amazon、Cisco、Samsung和Salesforce等大型机构；安全公司CloudSEK与Hudson Rock分别在周二和周三公布了相关发现。

CloudSEK称，泄露内容包括云服务密钥、代码仓库令牌、SSH密钥、Kubernetes秘密信息、软件包发布凭据、环境变量以及AI服务提供商密钥，这些数据可被用于访问超过2500家机构。凭据是在今年3月的一段40分钟窗口期内被提取：受影响用户当时使用了从Python Package Index下载的受损LiteLLM版本，数据随后被抓取并外传。

Hudson Rock称，其发现来自对一份195TB文件的分析。两家安全公司均未说明这些信息的来源。此次披露所覆盖的数据不仅包含面向AI服务的密钥，也包括云环境、软件仓库、远程登录、容器编排和软件包发布环节所使用的多类访问凭据。

Google DeepMind推出多语言手语转文字模型SL2T，并首次将手语AI引入消费产品。该模型为Pixel 11上的Gboard和Live Transcribe提供手语输入功能，首批支持美国手语转英文。用户可通过手语搜索网页、撰写消息或文档、向Gemini提问，也可在对话中直接用手语回复。

SL2T使用超过10万小时、覆盖50多种手语的数据训练，其中约四分之一为美国手语。设备端MediaPipe Holistic只提取身体姿态坐标并发送至服务器，原始视频随即丢弃。模型在FLEURS-ASL测试取得70 BLEURT的零样本分数，并针对左撇子及单手手语进行优化；更多设备和语言将陆续加入。

Lovable完成4亿美元C轮融资，投后估值达到133亿美元。本轮由Menlo Ventures和Scaleup Europe Fund领投，另有十多家投资者参与。此前一轮融资于去年12月公布，金额为3.3亿美元、估值66亿美元，同样由Menlo Ventures领投，CapitalG共同领投。

Lovable向TechCrunch表示，公司6月的年化收入运行率已达到5亿美元。其平台目前托管6000万个项目，每月吸引9亿访客，并提供自研AI模型及其他前沿模型选项。公司6月还与Google Cloud签署多年协议，云服务使用量扩大至原来的五倍；新投资者Regent同时是TechCrunch的所有者。

Thrive Holdings完成20亿美元融资，估值达到120亿美元，投资者包括SoftBank、D1 Capital Partners和Altimeter Capital，消息最先由The New York Times报道。该公司通过收购会计、信息技术等传统企业并把AI嵌入工作流程运营，部分资金将用于拓展实体资产监管服务。

Thrive Holdings由OpenAI主要投资方Thrive Capital分拆而来；OpenAI于2025年12月入股，并派员工协助旗下企业采用AI。其平台已覆盖逾70家企业：会计业务Current拥有50多家公司和2000多名专业人员，TaxAI处理逾7000份报税表，准确率98%，准备时间降低逾30%；IT业务Shield将服务台处理速度提升36倍。

AI代码测试公司Blacksmith完成4500万美元B轮融资，由Peak XV Partners领投，估值5.5亿美元；不到一年前，其1000万美元A轮融资对应估值为6000万美元。GV和Y Combinator继续参投，公司累计融资5850万美元。Blacksmith成立于2024年，为软件上线前的构建、测试和验证提供服务。

联合创始人兼CEO Aditya Jayaprakash在接受独家采访时表示，客户已从不到一年前的700多家增至5000多家，包括Mercury、Supabase、Clerk、Ashby和Expensify。公司以10名员工实现1000万美元年化收入运行率，现有约30人，收入增至数千万美元；部分最大客户每年支出超过100万美元。其Codesmith代理还能自动修复未通过的代码检查。

SpaceXAI推出Grok Bot，这是一项持续在线的AI代理服务，被设计成可独立工作的“AI队友”。用户分配任务后，Bot可在自己的云端计算机环境中执行多步骤工作，通常会在任务完成或遇到需要批准的环节时再返回。

Grok Bot能够登录用户已经使用的应用、工具和网站，因此用户需要允许其访问相关在线账户。这项服务是Elon Musk旗下AI公司面向企业工作场景推出的新产品，同类服务包括OpenAI的ChatGPT Work、Anthropic的Claude Cowork以及Microsoft的Cop。

设计师Isaque Seneda和Gabriel Abrucio开发了ShieldFont，希望让网页对读者保持正常可读，同时向抓取源代码的AI工具提供经过替换、语义混乱的文本。两人在近期白皮书中写道，该字体旨在为网站发布者提供拒绝未经授权AI训练的实用途径。

ShieldFont利用字体中的连字功能，但不再只是改善相邻字母的显示效果，而是在字体引擎绘制页面时把完整单词显示成另一个词。读者看到的是正常内容，直接下载HTML纯文本的抓取工具得到的则是被改写版本，从而降低所收集文本作为训练数据的价值。

部分书商怀疑AI公司正在低调批量购买珍本，并担心这些书在数字化后被销毁。相关做法是拆除书脊、取出书页，再进行裁切和扫描；材料称，这是快速扫描书籍时成本较低、操作较容易的方式，但会使部分实体书永久消失。

AI公司正利用书籍中的高质量长篇文本训练模型，推动了对相关藏书的需求。爱书人士担心，毁书扫描的实际规模可能高于目前已有报道所呈现的程度；这一问题尤其涉及脆弱、泛黄的旧书，其中一些保存着人类早期理解世界的文字记录。

Hugging Face介绍OlmoEarth Studio的新功能：用户可按需计算并导出由开源OlmoEarth基础模型生成的地球观测嵌入向量，用于相似度搜索、分割和无监督探索。模型源代码、权重及研究论文均已公开；导出结果为便于分享的Cloud-Optimized GeoTIFF。

用户可选择区域、1至12个月时段、10至80米像素分辨率，以及Sentinel-2 L2A、Sentinel-1 RTC或两者组合。编码器包括Nano、Tiny和Base，分别为128、192和768维；向量以int8存储。越南Ca Mau测试仅标注60个像素，线性分类器的加权F1达到0.84。

Liquid AI 发布视觉语言模型 LFM2.5-VL-3B，面向端侧和高吞吐场景，增强屏幕与界面理解、自然语言目标定位、多图推理及函数调用。模型采用 SigLIP2 400M NaFlex 视觉编码器，并沿用 LFM2.5-2.6B 文本模型的预训练骨干。

模型使用约 34 万亿个 token 预训练，视觉数据量增至此前的四倍，词表扩展至 12.8 万。其运行约占 3GB 内存，在 M5 Max、Ryzen AI Max+ 395 和 Galaxy S26 Ultra 上分别达到每秒 228、116 和 20个 token；单张 H100 高并发输出约每秒 1.1 万个 token。模型现已在 Hugging Face 提供，并支持 llama.cpp、MLX、vLLM、SGLang 和 ONNX。

arXiv 论文指出，标准 RLHF 将不同人群的偏好汇总进单一奖励模型，并假设偏好具有同质性；当偏好实际存在差异时，多数群体会主导奖励学习，少数群体的偏好则被系统性低估。论文将对齐中的程序公平定义为在奖励建模阶段保留不同偏好信号。

研究提出 Preference-Aware RLHF（PA-RLHF），在奖励学习阶段按照不同偏好模式分别优化。在受控且无噪声的实验中，PA-RLHF 将总体对齐准确率由 46.9%提高至67.9%，并把对齐表现最好与最差群体之间的公平差距从15.9个百分点降至9.6个百分点。论文认为，这类偏差可由奖励学习的结构设计产生，并可能在大语言模型和智能体系统的连续决策中累积。