真正决定一家企业能走多远的，是下半场的新法则。

1、星空官方 那双看起来纤细的机械臂，负载能力直接超过了20公斤。

打开这个网页，中间是今天的日期，而屏幕上那八颗行星，正站在它们此刻真实所在的位置上。星空官方需求痛点集中在电镀后MGZ弹夹须搬至清洗机，现场潮湿涉化学品，人工搬运强度大且风险高。

2、最高36℃，雷阵雨+高温！孝感最新天气预报→

后厂：把推理成本，一年打下来10倍 第二个变量，是Token转化效率。

3、4.22德国杯推荐：勒沃库森VS拜仁

对应北京时间为2026年7月12日晚上11:09。

4、5.5韩K联推荐：FC首尔vs安阳

人类迈入科学新时代 这段时间，AI科学圈十分热闹。

5、新华时评丨警惕小泉“狂言”背后的日本核野心

要终结这次争论，需要一场严格对照实验：同一份模型快照，同一批任务，同一套工具环境，只动juice这一个变量。

所以即使没有开源模型，机器人公司也必须自研，这是不可避免的。

三年前，Token还只是人和AI闲聊的「成本单位」，一问一答几十到几百个Token。

6、泰山VS云南官宣4字海报，设计接地气，寓意有深意，细节有意思

Bun之父 让AI重写百万行代码 当年，Jarred Sumner押注Zig的逻辑很纯粹：用极致的简洁，榨取媲美C语言的性能。

（图源：Anthropic） 怎么证明是「后果」在驱动它撒谎，而不是它看不懂？把后果反转一下：改成「打成合规才会被当反面教材」。

7、官方：阿森纳签下布鲁日前锋佐利斯，转会费4000万欧

专家在使用智能体的过程中积累出有效的工作技能（比如「怎么做东南亚美白面膜的冷启动」「Instagram 上最近最火的创意长什么样」），这些技能被抽离、沉淀为标准化的 Skill。

宁德时代、延锋、国药控股、复旦附属儿科医院……一大批场景单位，正在把服务场景、真实产线、流程痛点搬到GDPS赛场上。

8、小米汽车公布增程器：与东安动力深度定制，配套壳牌定制行业最高标准机油

这份证据，到现在还是缺席的。

推文一夜爆火，作者紧急删推并解释： 我删除了那条推文，因为它在意想不到的方向上传播得太广了。

过去两年，AI公司拼了命卷模型，却几乎没人认真管过，用户攒下的那堆数据该怎么盘活。

9、卖掉蓝瓶咖啡后，雀巢新帅继续“瘦身”：49亿欧元出售巴黎水等业务

Figure 03 可以说，人形机器人进入双雄时代——逐际动力是 Figure 在中国最强大的对手，COSA 是目前最完整的人形大脑系统。

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。

10、G1503沪南公路出口匝道：集卡轮胎起火 幸无人员伤亡

而这四类案例，则是把战线推进到了「行动」：一个握着代码权、财务权、评估权的智能体，会不会偷改代码、帮着删账、背着你搞事。

但目前，主要还是通过Kimi AI平台提供API访问，完整权重发布仍待官方进一步确认。

1、湘潭银行业首届技能比武圆满收官

为此，DA-Nav构建了ReDA恢复感知导航数据集，通过受控扰动主动制造偏航状态，并记录相应的专家恢复行为。

2、2-1赢了！中国男足险胜新加坡！面对世界第147，控球率竟不足四成

效果很明显，你在Chloe的视频里，看不出来哪个是AI生成的。

3、开封首发！企业商务定制高铁专列上线

大型迁移特别适合喂给AI，原因很朴素—— 活儿天然是并行的，几千个文件能同时开工； 旧代码本身就是最好的规范； 测试套件是现成的裁判； 编译或测试一失败，下一个待办自己就冒出来。大连市文明实践微阵地推荐展示活动·红色篇（二）2224个人，在那天早上起了床，吃了早饭，做了以后的计划。

4、国际自我关怀日｜把温柔留给自己

特纳以为，整个AI学术界终于要站在一起，给谷歌和五角大楼施加舆论压力了。

5、欧洲央行公布新版欧元纸币入围设计方案

原因是，如果企业的业务知识仍然只存在于人的头脑中，如果工作方法没有被结构化，如果评价标准没有被显性定义，如果每次执行后的经验无法沉淀，那么企业只是拥有了一套计算基础设施，并没有拥有自己的认知系统。

6、今天起，穿鞋调整一下

慢思考负责长程路线规划，快思考负责实时控制。

苹果在隐私和性能之间做了取舍，选了前者。

但是，现有后门方法难以直接迁移到 DLM。

7、上班族午休睡姿大赏，哪款“充电”效果最佳？

推理时，模型从全掩码序列出发，逐步去噪、选择性地解掩码，直至序列完全还原。

偷运走的数据，是正经干活的27,800倍。

8、延庆：长城脚下过端午，百场活动逛不停

任何企业都可以买到相似的模型，也都可以使用相似的API。

图 2 显示，模型规模扩大确实能改善一部分规则清晰、可模板化的操作，但面对依赖三维空间关系的任务，这种提升并不稳定。

也就是说，企业不仅在支付 Token 费用，还在持续向模型系统贡献： 真实的业务问题； 高价值行业语境； 专家的判断方式； 任务分解路径； 决策偏好； 成功与失败的反馈； 结果评价标准； 以及企业内部尚未显性化的知识。

DA-Nav因此补齐了长程导航中长期被忽视的一环：不只训练机器人怎样走对，也训练它走错后怎样回来。