全部 AI 精选，可按分级、类型筛选，按关键词搜索。
Bringing the Spark to Europe: Local Intelligence Powers Next Wave of Agents
这是 NVIDIA 官方博客的一篇文章，汇总其在柏林 GTC 上公布的本地 AI 硬件与软件动态。文中提到面向 Windows PC 的 RTX Spark、面向 Linux 开发者的 DGX Spark 以及面向企业前沿负载的 DGX Station（Windows 版将于 12 月推出），并列出 DGX Spark 软件更新、NVIDIA Sync、开源机器人参考工作流、新模型支持与推理引擎加速等多项发布。
Europe’s Industrial Leaders Reinvent Engineering and Manufacturing With NVIDIA
这是 NVIDIA 博客文章，介绍欧洲工业企业将 NVIDIA CUDA-X、Omniverse 库以及 Cosmos、Nemotron 开放模型用于工程与制造全流程。文中提到 NVIDIA Factory Operations Blueprint（FOX）已在 GitHub 开放早期访问，供开发者构建协调机器作业的工厂管理智能体和视觉检测、根因分析、报告生成、车队管理等专用智能体；西门子正将基于 FOX 构建的智能体集成进其 Intelligence Center X，并称预计可节省约 20% 成本。适合关注工业智能体与制造业数字化的读者。
NVIDIA Confidential Computing Expands, Enabling Frontier Model Builders to Securely Scale Across Global Infrastructure
这是 NVIDIA 博客文章，介绍 NVIDIA 机密计算的扩展。文中提到 NVIDIA OpenShell 参考架构，以及新增的 Confidential Bare Metal 部署选项，使前沿模型构建者可在第三方专用基础设施上运行敏感工作负载，同时保留对模型和数据的控制。文章还介绍新的平台安全控制，用于保护传输中的数据、度量平台完整性并实施硬件级访问限制；指出机密计算现提供裸金属、Kubernetes 容器和虚拟机三种部署选项。适合关注模型训练与部署基础设施安全的企业与开发者读者。
NVIDIA Agent Toolkit Expands, Grounding Enterprise Agents in Company Data
英伟达博客文章，介绍开源 NVIDIA Agent Toolkit 的扩展。文中列出该工具包的组成：含 CUDA-X 库和新 Auto-Ontology 库的 Agent Knowledge Foundation、Nemotron Retriever 与 Kumo 系列开放模型、OpenShell 安全运行时、NemoClaw 安全蓝图，以及 NeMo Relay、NeMo Compass 等工具；并说明企业可在不迁移数据、不重建工作流、不改治理控制的前提下将公司数据转化为智能体可用的信息。
NVIDIA Open Models Advance Europe’s Sovereign Intelligence Across Industries
英伟达博客文章介绍其扩展中的开放模型系列，覆盖语言、机器人、生物和量子计算等方向。文中列举了 Nemotron 3.5 Super VL、Nemotron 3.5 Bolt、Nemotron Retriever、Kumo 系列、Cosmos 3.5、Alpamayo 2 Edge、BioNeMo 和 Ising 等模型，并称这些模型可让机构用本地数据定制、部署在自有基础设施上。文中还提到 Nemotron 模型由包含 Black Forest Labs、H-Company、Mistral 等欧洲伙伴的 Nemotron 联盟提供数据与研究支持。
NVIDIA Cosmos Opens New Tools to Train, Evaluate and Deploy World Models
这是 NVIDIA 博客文章，介绍 Cosmos 平台的扩展，包括新的训练工具、仿真检查点和 Cosmos Data Factory 蓝图，用于帮助开发者构建理解并模拟现实世界的世界模型，服务于物理 AI 系统。文中提到 Cosmos Curator 新增多模态多感官输入支持，并列出五个云原生蓝图，如自动驾驶数据集生成、图像属性增强、事件视频生成、缺陷图像生成等，可通过 GitHub、Microsoft Azure、Nebius 和 CoreWeave 获取。适合从事世界模型与物理 AI 数据工作的开发者读者。
An Organizational Second Brain: Building an AI That Learns From Experts
这是 Meta 工程博客的一篇文章，介绍其构建的一个充当特定领域“次级专家”的 AI 智能体，旨在让深度专业知识在组织内可供任何人获取、共享和积累。文中称其新颖之处在于两层设计：一是结构化的、可审计的知识架构，将智能体“知道什么”与“如何推理”分开；二是一个自我改进闭环，把专家反馈编译为经过验证和回归测试的更新，而无需重新训练模型。文章表示该模式设计上可推广到以可检索文本（而非模型权重）为治理依据的其他领域，并可节省领域专家大量时间；文中以合规领域为例，说明专家知识多存在于个人头脑中、同类问题在数百次产品审查中反复出现、评估耗时且不一致等组织性问题。
GEM Training: How Meta Doubled the Efficiency of Its LLM-Scale Ads Foundation Model
这是 Meta 工程博客的一篇文章，介绍其生成式广告推荐模型 GEM（支撑 Instagram 与 Facebook 广告推荐的基础模型）如何在数千块最新一代 GPU 上以 LLM 规模训练。文中称通过协同设计内核、精度、并行、网络和内存，端到端训练效率翻倍至 20–25% MFU，同时在 12 个月内把训练 FLOPs 扩大 4 倍。文章指出该模型结合混合架构与推荐领域数据特性，与典型 LLM 负载不同，因此为 LLM 训练优化的内核、并行策略和低精度方案不能直接套用；具体手段包括面向推荐负载定制的内核库（如 Jagged Flash Attention、Generalized Dot-Product Attention、BlockAttention）和混合超低精度训练（包括 MXFP8 注意力与 MLP），以及拓扑感知的 5D 并行等扩展效率优化。
The Thin Orchestrator: How We Made Our AI Agents More Reliable by Giving the Router Less to Do
这是 Meta 工程博客的一篇文章，介绍其数据管道代理采用的“薄编排器”模式：一个约 1300 行的编排器把 20 多个工作流路由给 14 个专用代理，自身不承担任何领域推理，只负责排序和可靠性检查。文章描述了早期“全能型单一代理”在生产环境中出现幻觉的问题，以及转向该模式后在效率和准确率上的变化。
Evaluating AI agents: moving past the vibe check
一篇实践性工程指南与参考架构，讲如何用 Gemini Enterprise Agent Platform、Google ADK 和 OpenInference 标准为多轮 AI 智能体搭建持续评估流水线。文中指出智能体可能陷入循环、消耗大量 token 或给出完全幻觉的答案却看似正常，仅靠人工目测无法发现，并介绍为 LangGraph 智能体构建评估流程的做法。适合正在为智能体搭建测试与评估流程的工程师阅读。
Three layers, one repo: a tour of google/adk-recipes
文章介绍 google/adk-recipes 仓库，将 Agent Development Kit（ADK）资源整合为 core/、plugins/ 和 contrib/ 三个层次，作为构建 AI 智能体的统一来源。开发者可使用参考模式、把零售商品搜索和虚拟试穿等模块化垂直技能直接安装到编码助手中，并以多种语言部署可投入生产的服务，覆盖从初始脚手架到在 Google Cloud 上完整部署的流程。适合使用 ADK 构建智能体的开发者阅读。
Optimizing a 200,000-line Python codebase overnight with Gemini 4 Argon
Google 工程团队撰文讲述如何在夜间无人值守的情况下运行 Gemini 4 Argon，借助 .agents/skills 和 /goal 模式，在约 20.5 万行、近 800 个源文件的谷歌开源 Python Agent Development Kit（ADK）仓库中查找并修复跨文件性能瓶颈，使长会话的内存会话准备开销降低 40%、冷导入速度提升 21%。适合在既有大型代码库上使用编码智能体的工程师阅读。