-
github · 2026-08-17 · GitHub / AI agent language:Python stars:>500 / Python
语言:Python；stars:37908；更新:2026-08-17T01:29:38Z
-
github · 2026-08-17 · GitHub / Claude Code stars:>50 / TypeScript
语言:TypeScript；stars:93；更新:2026-08-17T01:25:37Z
-
github · 2026-08-15 · GitHub / AI 最新 趋势 stars:>50 / TypeScript
语言:TypeScript；stars:175；更新:2026-08-15T14:31:50Z
-
ithome · 2026-08-17 · 科技产品 / rss
IT之家 8 月 17 日消息，法拉第未来（FF）创始人、合伙人、首席产品及用户生态官贾跃亭今日宣布，FF 机器人进入放量收入快速增长新阶段， 探索机器人独立融资及上市 。 贾跃亭表示，下半年，公司将继续推进“五大变革”，全面打响“四核全智”Q3 机器人实用化战役，举措如下： 1，业务方面，推动“四核全智”生态各项业务进一步落地并扩大营收： 第一核，EAI 本体，加速销售、出货及交付爬坡，重点拓展加州、德州、纽约及美国东海岸市场， 尽快完成年底前销售出货 2,000 台的目标 。 第二核，EAI 大脑，进一步深化英伟达技术栈与 FF 自研 EAI 大脑、机器人平台及数据基础设施的融合，推进 GR00T 在复杂抓取、多步骤操作等具身智能能力上的训练与验证，同时推动 SONIC 系统从仿真训练迈向真机全身控制， 加快机器人之间的跨形态、跨平台能力迁移 。 第三核，行业生产力解决方案与开发者平台，围绕教育、工业、安防巡检及其他现有市场四大行业生态，推动标准化、可复制、可规模化的行业生产力解决方案落地， 尤其是全球首个“四核全智”EAI 机器人教育生态在全美的复制 ；计划到年底产出 100 个 Skills，并将开发者社区规模扩大至 200 个个人及主体。 第四核，EAI 数据工厂，目标 8 月底实现每月 2,100 小时合格真实场景数据的采集产能，12 月底达每月 20,000 小时，全年累计达 50,000 小时，持续强化真实数据的自进化飞轮效应。 2. 财务和资本方面，机器人业务上半年平均毛利率超过 30%，整体业务快速发展。但 FFAI 的整体财务表现却不尽如人意， 根因是历史包袱和汽车债务 ，我们也在持续反思和改善。汽车业务目前仍处于投入及产品转型升级阶段，历史形成的重资产折旧与摊销、研发及工程投入、固定运营成本以及债务和融资成本等结构性负担，仍显著高于机器人业务所创造的毛利贡献。机器人业务盈利能力的提升尚未完全转化为公司整体盈利能力的同步改善。 因此，下半年， 我们将全面执行彻底的减债化债方案 ，让 FFAI 的财务价值和资本价值实现最大化。 同时， 我们会持续推进资本价值回归子战役并积极探索机器人业务独立融资、独立上市机会 ，以保证 FFAI 不再受历史包袱和汽车债务的拖累，让机器人业务能够轻装前行，为 FFAI 的投资人创造最大价值。 3. 加快实施“Built in USA”加速计划，针对已经获得 FCC 认证的三大系列 7 款型号本体，进一步加速销售并提速“Built in USA”第二阶段“Assembled in USA”的实现；针对机器人本体新品，加快推进在 FCC 新政下的合规认证，将 FCC 新政重大利好的价值持续释放。 法拉第未来 8 月 14 日发布 2026 财年半年报（2026 年 1 月～2026 年 6 月）： 营业总收入：134.8 万美元 （IT之家注：现汇率约合 910.83 万元人民币） ，同比下降 99.93% 毛利润：-2,208 万美元 （现汇率约合 -1.49 亿元人民币） ，同比亏损收窄 53.93% 毛利率：-1,638%，同比亏损扩大 342.78 个百分点 归母净利润：-7,488.5 万美元 （现汇率约合 -5.06 亿元人民币） ，同比亏损收窄 44.51% 经营现金流：-5,652.7 万美元 （现汇率约合 -3.82 亿元人民币） ，同比亏损扩大 29.63% 基本每股收益：-42.74 美元 （现汇率约合 -288.79 元人民币） ，同比亏损收窄 81.04% 稀释每股收益：-42.74 美元 （现汇率约合 -288.79 元人民币） ，同比亏损收窄 81.04%
-
github · 2026-08-17 · GitHub / MCP server stars:>100 / Python
语言:Python；stars:66540；更新:2026-08-17T01:23:38Z
-
github · 2026-08-17 · GitHub / Claude Code stars:>50 / Shell
语言:Shell；stars:173；更新:2026-08-17T01:25:58Z
-
ifanr · 2026-08-13 · 明日产品 / rss
只用了两只标准夹爪 #欢迎关注爱范儿官方微信公众号：爱范儿（微信号：ifanr），更多精彩内容第一时间为您奉上。
-
bilibili · B站热词 / social-hot
热度:586545；热度层:B
-
techcrunch-ai · 2026-08-16 · AI行业 / rss
Dario Amodei is pushing back against the idea that he's been painting an overly pessimistic picture of AI.
-
ithome · 2026-08-17 · 科技产品 / rss
IT之家 8 月 17 日消息，据第一财经 8 月 14 日报道，美团核心本地商业 CEO 王莆中在公开演讲中谈及对企业 AI 应用的观点，同时分享了美团内部进行 AI 变革的过程。 王莆中表示，从现状看，虽然 AI 供给丰富，但在落地方面，现阶段仅有少数企业能统计到可以测量的收益。这一问题源于四重错配：认知上，企业对 AI 要么夸大要么轻视；效率上，大模型用于日常事务而未触及核心；场景上，AI 仍游走边缘，未能融入经营核心；考核上，追求立竿见影却忽视企业内部适配程度。在王莆中看来，这四重错配叠加，导致 AI 投入难以转化为可测量的生产力增长。 王莆中透露，美团在 AI 变革上经历了 4 个阶段。第一阶段是今年的 2 月到 3 月，公司开启全员“养虾运动”，但结果是账单暴涨， 每日消耗上千万元 ，同时养虾产生的谬误干扰了真实经营。 第二阶段，4 月起美团各事业部成立 AI 组织。随后公司总结出需要行之有效的转型步骤，将全员积极性有序转化为生产力。 到了 6、7 月，美团的 AI 变革进入第三阶段，通过赛马机制梳理方法，得出关键认知 ——AI 转型不是技术问题，而是业务、组织、技术三位一体的系统性工程，不能只寄望于产研团队。最终， 7 月 AI 初步在美团内部产品流程中跑通并产生价值 。 IT之家注意到，美团全场景 AI Agent 平台 —— CatPaw 于今年 7 月正式上线， 已在美团内部大规模落地 ：累计覆盖 9 万员工、搭建 Agent 3 万个，并在多个真实业务场景中完成验证。 CatPaw 提供独立的移动端 App 与 PC 客户端，双端任务实时同步、无缝协作。移动端支持随时发起任务、查看进度与远程确认关键决策；PC 端专注本地深度执行，具备文件操作、浏览器控制与终端命令等完整能力。 CatPaw 云端模式支持 7 × 24 小时不间断运行，即使本地设备关机或断网也不受影响。长程任务与定时任务于云端持续运转，完成后随时打开手机或电脑即可查看成果。 在全场景通用 AI Agent 能力的基础上，CatPaw 进一步融入了美团在本地生活领域的全链路行业认知。从门店经营、评价体系、营销转化到履约配送，这些深度积累已被封装为即装即用的专家与技能，覆盖门店评价诊断与优化、商品文案生成、营销物料设计评估、活动策划、经营数据分析等场景。
-
techcrunch-ai · 2026-08-15 · AI行业 / rss
How will the watermarking actually work? Can it be hidden with editing? And how does this affect code?
-
ithome · 2026-08-17 · 科技产品 / rss
IT之家 8 月 17 日消息，公安部网安局今日发文称，依法严厉打击舆情敲诈等新型黑恶犯罪，是深化扫黑除恶专项斗争的重点任务。近期，公安机关网安部门循线攻坚，接连破获 3 起针对影视行业的网络舆情敲诈案件， 累计抓获犯罪嫌疑人 24 名 ，有力打击了网络黑灰产嚣张气焰，切实维护了网络传播秩序与相关主体合法权益。 IT之家附案件详情如下： 浙江杭州破获一起针对文娱领域利用舆论实施敲诈案 经查，以李某、廖某为首的犯罪团伙，通过注册成立文化传媒公司，有组织、有预谋、流程化操控网络舆论。该团伙利用实控的 多个百万级粉丝量自媒体账号 ，长期针对当下热门影视剧、热播综艺和流量明星，拼凑、捏造并发布大量负面信息，形成舆论压力，倒逼受害方主动联系并购买所谓的“护剧”服务，以此非法牟利。 该团伙相关犯罪行为严重扰乱文娱产业的健康生态。查清全案后，杭州市公安局开展集中收网行动，抓获犯罪嫌疑人 10 名。 经审讯，以李某、廖某为首的团伙对违法犯罪事实供认不讳，案件正在进一步侦办中。 福建福州破获一起捏造新剧和明星的“负面信息”实施敲诈案 经查，郑某、黄某二人长期收集新剧和明星的“负面信息”， 操控多个网络热门平台账号，炮制、捏造不实内容 。每逢热门电视剧播出、艺人公开活动节点，二人便通过其掌控的账号发布负面内容，人为抬高帖文热度，故意制造负面舆论热点。相关影视剧组、艺人经纪团队因担忧负面舆情影响作品口碑、艺人名誉及商业收益，主动联系二人处置负面信息，二人收取费用后即删除相关负面帖文。 该行为严重扰乱影视行业正常宣发秩序，破坏网络舆情生态，侵害影视出品方及艺人的合法权益。 目前，2 名犯罪嫌疑人已被公安机关依法采取刑事强制措施，案件正在进一步侦办中。 广东河源破获一起以“护剧”为名实施敲诈案 经查，李某军团伙成立 MCN 机构，注册某文化传播有限公司，实际控制多个微信公众号和微博账号，总粉丝量超千万。该团伙长期雇佣网络写手，搜罗、拼接各类明星八卦， 利用人工智能工具操控其持有的多个大 V 账号发帖 ，在电视剧、综艺播放期间故意制造负面舆论热点。待相关剧组承受舆论压力、主动联系协商删帖事宜时，李某军便借机要求电视剧播放平台或明星经纪公司购买其所谓的“护剧”服务，否则拒不删除负面网帖。 该团伙的“护剧”服务一般包括发布剧集正向宣传帖文、删除前期发布的相关明星负面帖文，以及承诺在剧集播出期间不再发布有关剧集和明星的负面帖文等， 本质是通过操控账号制造负面舆论、变相强迫交易的方式实施敲诈 。该案受害方涉及数名知名演员及多部热播电视剧发行方，前期已有多名艺人、多家经纪公司或影视出品方以名誉侵权为由对该团伙提起诉讼。 查清全案后，河源市公安局开展集中收网行动，抓获犯罪嫌疑人 12 名。 经审讯，李某军团伙对违法犯罪事实供认不讳，案件正在进一步侦办中。
-
tavily · 2026-06-11 · AI与Agent 最新 热点 趋势 / Tavily
来源：北京物联网智能技术应用协会）. 引言. 最近做了一些AIGC 的生成内容，AI 智能体又成了最新火的话题。从AutoGPT 到通义实验室，各家巨头都在这块
-
tavily · 2026-04-03 · AI与Agent 最新 热点 趋势 / Tavily
# 从开源仓库到链上C2：一起利用GitHub与AI热点的规模化攻击活动分析 网络攻击 ADLab 2026-04-03 概 述 在诱导策略方面，攻击者紧跟当下AI生态爆发趋势，大量使用“Claude”、“DeepSeek”、“Gemini”、“Qwen”等主流大模型进行攻击载体伪装，样本中还频繁出现了“OpenClaw”、“Skill”、“Agent”等与当前AI Agent生态密切相关的关键词，反映出AI生态正逐渐演变为新一代恶意软件投放的重要载体。攻击者大量使用大模型工具链、自动化框架及相关关键词进行包装，并结合版本号、测试标签及功能描述增强可信度。同时，其诱饵类型覆盖游戏外挂、软件工具、破解资源以及AI相关应用等多个高需求场景，体现出“热点驱动 + 多场景覆盖”的投放策略，使攻击既具备广泛传播能力，又能够在特定人群中实现较高转化率。 ### 2.1 攻击手法分析 [...] ### 2.1 攻击手法分析 从整体攻击链来看，该攻击活动采用了典型的多阶段加载（Staged Payload）+ 合法平台滥用的组合手法。攻击者利用GitHub平台的天然可信性，通过社会工程学手段进行攻击。攻击者首先注册大量GitHub账户，通过fork正常项目伪装成正常仓库，并在README文件中添加恶意下载链接，下载链接指向攻击者在仓库中投放的经过精心命名伪装的压缩包文件，攻击者再结合搜索引擎优化或社交媒体传播等方式来吸引目标用户访问这些恶意仓库，下载并执行恶意程序。 图1 利用GitHub高热度话题传播恶意压缩包 ### 2.2 攻击目标分析 [...] | | | --- | | | | | | 游戏外挂/修改器 | | Adobe.Premiere.Pro.CC.2025.v1.5.0.zip Adobe.Photoshop.v2.8.9.zip Avira.Phantom.VPN.Pro.Update.v1.1.5-alpha.2.zip Burp-Suite-Professional-Latest-Patch\_v2.6.zip VLC-Player-Pro-Unlimited.zip SpotifyPremiumClient\_v3.3.2Alpha1.zip CapCut.Pro.2025.v1.8.6.zip Adobe.Acrobat.Reader.v1.6.5.zip Adguard.Premium.Update.v3.6.4.zip Audio-Converter.zip | 软件工具/实用程序 |
-
techcrunch-ai · 2026-08-13 · AI行业 / rss
Anthropic researchers found AI agents can clash, collude, and coordinate in unexpected ways, raising new questions about whether today’s safety tests capture the risks of multi-agent systems.
-
tavily · 2026-08-15 · 认知差与信息权重 最新 热点 趋势 / Tavily
# My Awesome Newsletter # AI行业日报 2026-08-15 # 「AI 应用 / AI Agent」行业日报 · 2026-08-15 ## 📊 市场信号 ## 🔧 技术信号 ## 💰 赚钱信号 ### 机会 1：私域社群本地 SLM Agent 托管服务 ### 机会 2：AI 账号托管式生活助理代运营 ### 机会 3：GEO（生成引擎优化）代运营服务 ## 📱 自媒体视角 ### 选题 1：OpenAI 关掉 Atlas，AI 浏览器输给了谁？ ### 选题 2：华强北 AI 眼镜销量暴涨 100%，我去线下实测 ### 选题 3：AI 替你订房改签，你敢交出账号吗？ ### 选题 4：豆包收 12%「过路费」，GEO 凭什么狂欢？ ## 🛒 电商视角 ### 机会 1：AI 眼镜周边与选品电商 ### 机会 2：电商内容与投放的「GEO 化」 ## 🔍 信息差机会 ### 信息差 1：本地 SLM Agent 的「数据主权」红利 ### 信息差 2：微信 AI 加速对私域生态的影响 ## ⚠️ 风险与失败信号 [...] ## ⚠️ 风险与失败信号 ## 🎯 综合判断 ⚠️ 数据可信度说明：本报告共标注 [推理] 6 处（超过 3 处），主要涉及基于公开信息对商业模式和用户需求的推断。核心事实（产品发布、融资、动态）均来自原始数据源标注，论据充分；但市场时机判断存在不确定性，建议读者在具体决策前对推理部分做二次验证。 日报里各种信号看似热闹，实际上指向同一个拐点：AI应用已从“模型军备赛”进入“流量变现与商业化验证”阶段。豆包开始收12%过路费，迈富时中报现金流5亿，月之暗面赶着IPO——都说明资本不再为参数买单，只认能落袋的生意。 真正的分水岭是Qwen3.8开源与Gemini Flash低价化。基座模型能力像水电煤一样被摊平，闭源API的溢价空间被极限压缩。谁受损？是那些估值建立在“我有独家大模型”叙事上的公司。腾讯把徐灿调去做WeLM，本质是认清了模型不落地场景就是废铁，微信生态才是真正的护城河。 [...] 谁受益？一是字节/腾讯这种握有流量分配权的平台，豆包12%抽成只是开始，AI时代的“搜索引擎广告”正在重新定义；二是华强北AI眼镜这样贴着需求走的产业链，放量就是硬道理；三是开源生态里的中小团队，能白嫖最强基座，去挖垂直场景的脏活累活——比如日报里那个QQ群SLM机器人，小而锋利。 我的判断很直接：下一轮洗牌的筹码不是谁模型更强，而是谁离交易最近。具身智能935亿热钱短期内就是击鼓传花，Aibee那种“结硬寨”的打法值得尊重，但当下最确定的机会藏在GEO代运营这类新且脏的生意里。至于Manus重启、联想浮盈加仓——前者是存量情绪，后者是硬件渠道的自我安慰，都不改变趋势。记住了：在AI应用这行，赚钱不是故事的结尾，而是及格线。 ## 📮 订阅「顾剪·AI情报周报」 每天免费看 AI 行业日报，每周还能收到精选 + 深度解读的付费周报（每期 5-8 个情报点，卡片溯源 + 趋势判断）。 👉 免费订阅（首月试用） 只需邮箱即可订阅，随时退订。
-
hf-papers · 2026-08-11 · AI论文 / hf-daily-papers / [object Object]
This paper reports a single, fully instrumented case study of a large-scale architectural refactoring by an AI coding agent under a specification-first protocol, with no human review of the generated code and no pre-existing oracle to validate the target behaviour. The task, dismantling a central invariant across a large interdependent codebase, was assessed by the author as effectively infeasible through incremental refactoring, the kind of change that conventionally calls for a rewrite instead. Under the protocol described here, the agent completed it successfully. The system is a 717,725-line production TypeScript application across 3,648 files. The task required dismantling a core lifetime invariant: the guarantee that a UI panel remains open for the duration of an AI request. The target behaviour was that a streaming generation survives the closing of its panel and can be reattached, on reopening, to the same live stream with no loss or duplication. The protocol: formal specification by the agent, 14 refinement cycles auditing that specification against the source code, atomic implementation, a compile/test feedback loop, then 17 verification cycles auditing the code against the frozen specification. Across 31 audit passes, 201 defects were corrected before any human executed the program. The convergence criterion was empirical: two consecutive verification passes returning zero findings. The change touched 189 files (31 new); with the extraction phase, the two commits total 288 files, 34,770 insertions, 16,422 deletions. Across the first and roughly thirty later sessions, the software behaved as specified, no bug observed. Elapsed: three days; cost: USD 2,430. The full specification and raw session logs, 1,500+ pages in French, are published as evidence, allowing inspection of the process and submission to a language model for consistency checking.
-
hf-papers · 2026-08-11 · AI论文 / hf-daily-papers
Creative agents still lack an effective way to learn from high-quality human films, limiting their ability to produce cinematic-grade videos. A key challenge is the absence of a structured video representation that is both faithful to film content and directly usable for agentic reasoning and manipulation. To address the challenge, we propose the Agentic Video Auto-Encoder (AVA-Encoder), a framework for learning agent-native video representations via agentic auto-encoding. AVA-Encoder transforms a video into a knowledge graph (KG) representation and then reconstructs it back into video. Its hierarchy and state nodes store structured text, while a linked asset layer holds generated images, audio, and video. Typed edges preserve the relations between these text descriptions and assets in a form that agents can easily understand, query, and edit. The video reconstruction differences drive a textual-gradient optimization framework, which expresses evaluation feedback as natural-language update directions for Data-Independent Encoding Policy Pseudo-Training in the outer loop and optional Data-Dependent KG Representation Refinement in the test-time inner loop. Extensive experiments show that AVA-Encoder improves by 20.7 percentage points over the strongest external baseline. In the controlled policy-only setting, its pseudo-trained shot-level Agentic Video Encoder policy also outperforms a carefully human-tuned policy while using 74.3% fewer system-prompt tokens. We release the complete AVA-Encoder framework, a reliable agentic video reconstruction benchmark, and the first dataset of high-quality film KG representations.