How the Army could spend nearly $19 billion in RDT&E funding
占用陆军 RDT&E 资金大部分的项目包括 FLRAA、THAAD、UAS 发射效果、火炮系统、高超音速武器、反无人机技术和 M-SHORAD。
France mulls fallback tank for delayed MGCS program in defense update
据 Vautrin 称，MGCS 项目的推迟是由于德国决定启动新型 Leopard 3 坦克计划。
Pentagon’s ouster of Anthropic opens doors for small AI rivals
小型国防工业人工智能初创公司突然接到了将军、作战指挥官和财力雄厚的投资者的电话。
Italian government shakes up Leonardo leadership, replacing Cingolani as CEO
一些消息人士称，辛戈拉尼对非动力优先事项的关注可能导致了这一令人惊讶的举动，MBDA 的洛伦佐·马里亚尼 (Lorenzo Mariani) 接任了最高职位。
Pentagon, Lockheed Martin agree to $4.7 billion PAC-3 interceptor deal
洛克希德公司在一月份讨论了在七年内将 PAC-3 拦截弹年产量从大约 600 枚增加到 2,000 枚的目标。
Why Every AI Coding Assistant Needs a Memory Layer
AI 编码助理需要一个持久的内存层来克服 LLM 的无状态性，并通过系统地跨会话提供上下文来提高代码质量。为什么每个 AI 编码助理需要一个内存层一文首先出现在 Towards Data Science 上。
Write Pandas Like a Pro With Method Chaining Pipelines
掌握方法链接、分配() 和管道()，以编写更清晰、可测试、可用于生产的 Pandas 代码这篇文章《使用方法链接管道像专业人士一样编写 Pandas》一文首先出现在《走向数据科学》上。
Introduction to Reinforcement Learning Agents with the Unity Game Engine
针对机器学习最棘手领域之一的分步交互式指南。使用 Unity 游戏引擎强化学习代理简介一文首先出现在 Towards Data Science 上。
Your ReAct Agent Is Wasting 90% of Its Retries — Here’s How to Stop It
大多数 ReAct 风格的代理都默默地将重试预算浪费在永远不会成功的错误上。在 200 个任务的基准测试中，90.8% 的重试都花在了幻觉的工具调用上——不是模型错误，而是架构缺陷。本文展示了为什么即时调整无法解决这个问题，以及完全消除浪费重试的三种结构变化。 文章《你的 ReAct Agent 正在浪费 90% 的重试 — 以下是如何阻止它》首先出现在 Towards Data Science 上。
A Survival Analysis Guide with Python: Using Time-To-Event Models to Forecast Customer Lifetime
通过 Kaplan-Meier 曲线和 Cox 比例风险回归对客户保留进行建模来理解生存分析。Python 生存分析指南：使用事件时间模型预测客户生命周期一文首先出现在 Towards Data Science 上。
How Visual-Language-Action (VLA) Models Work
人形机器人视觉-语言-动作 (VLA) 模型的数学基础等视觉-语言-动作 (VLA) 模型如何工作的帖子首先出现在走向数据科学上。
How Does AI Learn to See in 3D and Understand Space?
深度估计、基础分割和几何融合如何融合为空间智能人工智能如何学会在 3D 中观察并理解空间？首先出现在《走向数据科学》上。
A Guide to Voice Cloning on Voxtral with a Missing Encoder
如果我们有 Voxtral 文本转语音模型的音频，我们可以重建音频代码吗？这篇文章《使用缺失编码器在 Voxtral 上进行语音克隆指南》首先出现在《走向数据科学》上。
Why MLOps Retraining Schedules Fail — Models Don’t Forget, They Get Shocked
我们将艾宾浩斯遗忘曲线拟合到 555,000 笔真实欺诈交易中，得到 R² = −0.31 — 比平坦线更糟糕。这一结果解释了为什么基于日历的再训练在生产中失败，并引入了一种在实际系统中有效的实用冲击检测方法。文章《为什么 MLOps 重新训练计划失败——模型不会忘记，他们会感到震惊》一文首先出现在《走向数据科学》上。
All About Pyjanitor’s Method Chaining Functionality, And Why Its Useful
干净的代码，干净的数据：为什么 Pyjanitor 的方法链接方法是实现这一双重目标的途径。
Kaggle + Google’s Free 5-Day Gen AI Course
这门为期五天的生成式 AI 强化课程通过为期一周的白皮书、实践代码实验室和现场专家会议，涵盖基础模型、嵌入、AI 代理、特定领域的 LLM 和 MLOps。
5 Useful Things to Do with Google’s Antigravity Besides Coding
反重力依赖于一系列功能，其中许多功能与编写函数关系不大。
Advanced NotebookLM Tips & Tricks for Power Users
让我们详细分析五个新引入的高影响力功能，并讨论高级从业者如何将它们融入到日常工作流程中，以最大限度地提高生产力。
