波士顿动力 Atlas 团队把机器人双脚换成滑板车轮改装成研究测试台，用学习型全身控制器驱动，验证执行器在性能包络边缘的表现。团队称轮式 Atlas 不是产品，而是利用 Spot 和 Stretch 客户经验数据研究极端场景下可靠性的平台；项目通过在 MuJoCo 中精确匹配真实电机模型缩小 sim2real 差距，侧滑动作中策略自发学会用轮子滚动，360 度跳跃动作一次训练即成功上机。
对A股整机与本体、数据采集环节中性偏利好，波士顿动力验证sim2real与执行器极限属技术探索，非量产进展
推荐理由：Atlas 团队工程师亲述轮式改装与 RL 全流程，读者可借此理解 sim2real 落地时电机建模与策略训练的配合方式。
量子位作者实测LobeHub的AI协作平台，组建AI编辑部完成选题简报和热点网页制作，全程约30分钟，主管Agent Sienna能拆任务、派活、验收并临时新建两位Worker接续工作。
推荐理由：作者用两轮编辑场景实测LobeHub的多Agent协作，读者可借此了解主管Agent派活、招人、验收机制的真实运行情况。
机器之心报道了Anthropic发布的一篇文章，探讨了Claude记忆系统的设计经验。核心结论反直觉：想让AI记性好，光让它“记笔记”是不够的，实验中写了413份笔记的表现不如只写9份的。
推荐理由：原文介绍了Anthropic关于AI记忆系统的实验，揭示了笔记数量与表现的反直觉关系。
微软VP Scott Hanselman发布了开源GPU任务管理工具gputaskman（v0.3.0），支持Windows、Linux和macOS。该工具可显示进程级GPU使用情况和VRAM消耗，并专门拆解AI/LLM任务的权重、KV缓存等细节。代码以MIT许可证在GitHub开源。
推荐理由：该工具提供细粒度VRAM监控，帮助开发者排查AI工作负载的资源占用。
机器之心报道北京大学提出的MapFlow方案，旨在解决多模型协作中上下文交接时的重复计算问题。该方案允许不同模型间复用注意力机制，减少KV缓存的重算开销，为兼顾效果与成本的AI Agent应用提供路径。
推荐理由：北大提出MapFlow方案，通过跨模型复用注意力机制降低多智能体协作中的KV重算开销。
机器之心报道，DeepSeek 公布下一代 agent harness 理念。文章为面向工程实践的架构思路探讨，并非对 DeepSeek Harness 现有产品功能的介绍，开头讨论了以 Coding Agent 为代表的单任务 Agent 过去一年已证明模型能用工具解决复杂问题，且越来越少需要人类持续监控和逐步干预。
Tom's Hardware 发布一篇 LLM 术语入门，解释模型、权重、数据类型与量化、上下文窗口、KV cache、MoE、RAG 及推理的 Prefill 和 Decode 两阶段。文中指出 KV cache 可在同一会话内复用但可能占用超过模型本身的 VRAM，长上下文存在 lost in the middle 效应，Decode 速度通常受内存带宽而非算力限制，并介绍了 Speculative Decode 和 MTP 等加速技术。
推荐理由：文章面向本地部署读者，把权重、量化、KV cache、MoE 和推理两阶段等术语逐一拆解，可作为阅读硬件与模型新闻前的概念铺垫。