Classic Aero-TV: Mister Mulligan Takes Us Back to Simpler Times
来自 SnF24（YouTube 版）：Doug Rozendaal 解释历史复制品的历史 Doug Rozendaal 在繁忙的 Sun 'n Fun 体验中抽出了一点时间来谈论 Mulligan 先生的魅力，他的经典 Howard DGA-6。当然，罗森达尔的飞机并不是最初的一次性专用竞赛飞机，而是这架传奇飞机的非常令人信服的复制品。该设计回顾了赛车的黄金时代，当时 30 年代的经济对全球预算造成了严重破坏。 DGA-6 的设计旨在展示当时空气动力学和发动机的进步，并在赛车领域迅速取得成功。如今，这已经是回到了更简单的时代，那时，即使是普通的 PPL，如果负担得起的话，也能享受到最先进的速
Airborne 07.01.26: Helo Finds Giraffe, Air Race Classic, China GA Restrictions
另外：加拿大 5G 干扰、Frontier Prop 助推 Skywagon、AF 委内瑞拉救援、捷蓝航空无人机袭击？两周前，一只长颈鹿从位于得克萨斯州利基的 Cedar Hollow 牧场的围栏中逃脱，6 月 26 日上午，它的主人维克·琼斯 (Vick Jones) 在康乔航空公司 (Concho Aviation) 的直升机飞行员杰夫·希尔 (Jeff Hill) 的帮助下，驾驶罗宾逊直升机进行空中搜索，发现了一只长颈鹿。 雷亚尔县警长内森·T·约翰逊 (Nathan T. Johnson) 表示，由于圣安东尼奥西北约 90 英里的丘陵地区地形崎岖，植被茂密，很难找到长颈鹿格雷西。第 4
Bell LongRanger ZK-IWI at Nelson
周三在尼尔森注意到的是贝尔 206L-1 LongRanger ZK-IWI4 c/n 45213。这架 LongRanger 最初是 N2750R，后来交付给加拿大，并于 1980 年 3 月左右成为 C-GLNC。1988 年 11 月初，它成为 N91ZT，随后是马卢奇郡阳光海岸直升机救援服务中心的 VH-JOW，昆士兰州，1989 年 6 月 19 日。随后，从 2009 年 12 月起，该飞机由新南威尔士州马奇的商业直升机有限公司运营，直到上个月与上穆特雷的 Coast To Coast Helicopters Tasman 有限公司一起成为 ZK-IWI4。另一张比尔·曼尼克斯 (
Multi-Agent Teams Hold Experts Back
多代理 LLM 系统越来越多地部署为自主协作者，其中代理可以自由交互，而不是执行固定的、预先指定的工作流程。在这种情况下，有效的协调无法提前完全设计，而必须通过互动来实现。然而，大多数先前的工作都是通过固定的角色、工作流程或聚合规则来强制协调，从而留下了一个问题：当协调不受限制时，自组织团队的表现如何。借鉴组织心理学，我们研究自组织法学硕士团队是否能实现强大的协同作用，其中......
Residual Context Diffusion Language Models
扩散大型语言模型 (dLLM) 已成为纯自回归语言模型的有前途的替代方案，因为它们可以并行解码多个标记。然而，最先进的分块 dLLM 依赖于“重新屏蔽”机制，该机制仅解码最有信心的令牌并丢弃其余令牌，从而有效地浪费了计算。我们证明，从丢弃的令牌中回收计算是有益的，因为这些令牌保留了对后续解码迭代有用的上下文信息。有鉴于此，我们提出了残余上下文扩散（RCD），该模块......
Learning Unmasking Policies for Diffusion Language Models
扩散（大型）语言模型 (dLLM) 现在在许多任务上与自回归模型的下游性能相匹配，同时有望在推理过程中提高效率。 dLLM 的一个关键设计方面是采样程序，该程序选择在每个扩散步骤中揭开哪些标记。事实上，最近的工作发现，与随机揭露相比，置信度阈值等启发式策略可以提高样本质量和令牌吞吐量。然而，这种启发式方法也有缺点：它们需要手动调整，而且我们观察到它们的性能......
Conformal Thinking: Risk Control for Reasoning on a Compute Budget
推理大型语言模型 (LLM) 可实现测试时间扩展，随着令牌预算的增加，数据集级别的准确性也会提高，从而激励自适应推理——在可靠性提高时使用令牌，并在额外计算不太可能有帮助时提前停止。然而，设置代币预算以及自适应推理的阈值是一项实际挑战，需要进行基本的风险与准确性权衡。我们将预算设置问题重新定义为风险控制，限制错误率，同时最大限度地减少计算量。我们的框架引入了一个上限，可以阻止......
On Robustness and Chain-of-Thought Consistency of RL-Finetuned VLMs
强化学习 (RL) 微调已成为增强推理密集型任务的大型语言模型 (LLM) 的关键技术，并推动其扩展到视觉语言模型 (VLM)。虽然经过 RL 调整的 VLM 改进了视觉推理基准，但它们仍然容易受到视觉基础薄弱、幻觉和过度依赖文本提示的影响。我们证明，简单的、受控的文本扰动——误导性的标题或不正确的思维链 (CoT) 痕迹——会导致鲁棒性和置信度大幅下降，并且当 CoT 一致性为……时，这些影响会更加明显。
MIT in the media: Innovating and educating for the next 250 years of America
在与亚利桑那州立大学校长迈克尔·克劳 (Michael Crow) 进行的“华盛顿邮报直播”小组讨论中，校长萨莉·科恩布鲁斯 (Sally Kornbluth) 探讨了大学如何培养下一代科学家，以引领美国快速变化的技术格局。
Meet the New BOSS President and Council Members!
中士。狄龙·布鲁耶 (Dillon Bruyer) 被派往美国陆军驻日本部队，是扎马营单兵更好机会计划 (BOSS) 的主席！
Vietnam Vet receives his Purple Heart at the Pentagon after 57 Years
越南战争老兵 Spc。 4 雷蒙德·威廉姆斯 (Raymond Williams) 在服役 57 年后荣获五角大楼紫心勋章，为他的战斗牺牲画上句号。
GAO 的发现 GAO 此前发现，能源部 (DOE) 环境管理办公室 (EM) 没有遵循其定义某些大型项目任务需求的标准。任务需求声明记录了能源部对任务相关需求的识别，根据能源部标准，不应识别特定的解决方案。这确保能源部不会在项目启动阶段限制潜在的解决方案。然而，GAO 为 EM 大型项目审查的大多数任务需求声明都确定了特定的解决方案。例如，橡树岭保护区 Outfall 200 汞处理设施项目的任务需求声明提出了“一个新的汞处理设施”。 EM官员表示，他们认为在任务需求阶段确定解决方案没有问题，因为其他解决方案是在后期规划阶段探索的。然而，GAO 发现，在项目规划继续进行时，EM 没有考虑或寻
Media: Getting DAA Ready for Part 108 with Kraettli Epperson of Vigilant Aerospace Systems
Vigilant Aerospace Systems 首席执行官 Kraettli Epperson 最近与 Matt Collins 一起参与了商业无人机新闻播客 Uncrewed Views，讨论了检测与规避技术、美国联邦航空管理局提议的第 108 部分规则，以及运营商和制造商现在可以采取哪些措施来为例行超视距 (BVLOS) 操作做好准备。对话重点是 [...]帖子媒体：与 Vigilant Aerospace Systems 的 Kraettli Epperson 一起为 DAA 第 108 部分做好准备首先出现在 Vigilant Aerospace Systems, Inc. 上。
Pennsylvania Army National Guard Conducts 'Ghillie Wash' Training Event
宾夕法尼亚州国民警卫队士兵参加了在宾夕法尼亚州印第安敦加普堡举行的吉利洗涤训练演习，他们穿着吉利服接受严格的体能训练，吉利服是一种设计成类似于茂密的树叶、草地或地形的服装。
Strategic Alliance Business Group, LLC
战略联盟商业集团有限责任公司（Strategic Alliance Business Group, LLC）是弗吉尼亚州费尔法克斯市的一家小企业，抗议其提案被从竞争中剔除……
Why Powerful ML Is Deceptively Easy — Part 2
下一个泄漏问题不仅仅是暂时的。它与空间、结构和覆盖范围相关。使用 DALL·E 创建的 AI 生成插图《为什么强大的 ML 看似简单 — 第 2 部分》首先出现在《走向数据科学》上。
This Week in AI: Multivendor Strategy
本周人工智能这一集发生在大多数团队认为理所当然的人工智能基础设施突然看起来不太稳定的时刻。 Intelligence Briefing 创始人兼首席人类人工智能官 Andreas Welsch 与 Conductor 开发者体验主管兼 LinkedIn Learning 开发者教育者 Matt Palmer 一起， [...]
恭喜伯克利人工智能研究 (BAIR) 2026 届实验室班毕业！今年，BAIR 庆祝了另一批杰出的博士生。毕业生的好奇心、创造力和毅力推动了人工智能和机器学习的前沿。他们的工作涵盖了现代人工智能的广度——机器人和体现智能、大型语言模型和推理、计算机视觉、生成模型、人工智能安全、人机交互、科学和医疗保健人工智能等等。一路走来，他们发表了有影响力的研究成果，构建了具有现实世界影响力的系统，指导了同行，并将 BAIR 社区塑造得更好。现在，他们正走向思想传播的各个角落：教师和博士后职位、行业研究实验室以及自己创办的初创公司，其中一些人仍在探索下一步发展，并希望收到您的来信。请与我们一起庆祝这些出色的
