按可信来源、时间线和主题整理的新闻简报。优先保留原文链接、新闻时间和后续阅读入口。
Waymo与代尔夫特理工大学合作开发了名为ReD的计算机认知模型，基于主动推理神经科学框架，模拟人类驾驶员在意外瞬间的避撞决策。模型包含逼近感判断、交通规范过滤器、意外阈值评估和0.2秒踏板切换延迟等特征，能主动预判风险而非仅复现最后一秒反应。该模型已开源，旨在成为自动驾驶避撞行为评估的行业科学基准。
补充中文 AI 产业、产品和资本市场动态，减少只看海外来源的偏差。
中 — 来源为稳定 RSS 或专业媒体，适合作为新闻线索继续追踪。
Phoronix测试显示，Intel旗舰工作站显卡Arc Pro B70（BMG-G31）在即将发布的Linux 7.1内核上相比7.0有显著性能提升。该显卡在相关工作负载中表现出更优性能，延续了此前Arc B580在Linux 7.1上的改善趋势。
关系到 Linux、嵌入式和基础软件生态的版本、驱动或行业变化。
中 — 来源为稳定 RSS 或专业媒体，适合作为新闻线索继续追踪。
Phoronix
Phoronix
Phoronix
Phoronix · 当前新闻
wolfSSL发表技术文章，比较LMS、XMSS和SLH-DSA三种后量子密码算法在安全启动场景中的适用性。这些算法是NSA CNSA 2.0套件的一部分，用于软件和固件签名，以适应未来量子计算威胁。文章分析了各自的性能、安全性和实现复杂度。
关系到 Linux、嵌入式和基础软件生态的版本、驱动或行业变化。
中 — 来源为稳定 RSS 或专业媒体，适合作为新闻线索继续追踪。
从 GitHub、项目站点、个人博客、技术论坛和硬件社区中自动发现，优先选择 AI、嵌入式、Linux/RTOS、电子工程和有趣开源项目。
MicroPython 是专为微控制器和受限系统设计的精简 Python 解释器，支持大部分 Python 3 语法，运行在仅有数 KB RAM 的设备上，广泛应用于嵌入式开发、IoT 和教育领域。
如果你需要在资源极有限的微控制器上运行 Python 代码，MicroPython 是最主流的选择。它用最少的开销提供交互式 REPL 和标准库子集，让开发者能用高级语言快速原型。适合嵌入式爱好者、硬件初创团队以及需要低门槛编程的教育场景。
仓库拥有 2.1 万+ star 和 8800+ fork，社区活跃，最近仍在高频提交。支持 ESP32、STM32、RP2040 等主流 MCU，提供跨平台工具链。作为生产级项目，已在大量产品中验证，但仍有 1672 个 open issues，表明部分边界场景存在兼容性或性能问题。
从 AI 部署角度看，MicroPython 原生不支持 PyTorch/TensorFlow 推理，但可通过 C 扩展或绑定外部库实现简单模型。更适合作为传感器数据采集或控制节点，而非算力密集的 AI 推理平台。
内存和性能极受限，复杂 Python 代码可能触发内存不足或运行缓慢。不支持所有 CPython 库，第三方扩展需手动编译。对于多线程、高精度浮点等需求需谨慎评估。
OpenCV 5 发布，是二十多年来计算机视觉库的一次重大更新，带来新算法、性能优化和更好的硬件加速支持，每天安装量超百万，GitHub 星数超 86k。
OpenCV 是计算机视觉领域的基石库，几乎任何用到图像处理、目标检测、视频分析的应用都离不开它。5.0 版本引入了更高效的神经网络推理后端、改进的相机标定模块、以及更好的 ARM/嵌入式平台支持。如果你在开发视觉应用，尤其是需要边缘推理或实时处理，升级到 OpenCV 5 能显著提升性能并简化代码。
OpenCV 5 已发布稳定版，官方文档和迁移指南完善。在 GitHub 上社区活跃度极高，issue 响应及时。新版本对最新硬件（如 NVIDIA Jetson、Intel OpenVINO）提供原生加速，推理速度据称提升 2-3 倍。但作为大型库，升级可能需要适配旧版 API。
OpenCV 5 的 DNN 模块进一步强化了对 ONNX、TensorFlow、PyTorch 模型的支持，并集成了更高效的推理后端。对于计算机视觉方向的 AI 工程师，它是模型部署和预处理的首选工具，但需注意其训练能力有限，主要面向推理。
API 变更可能导致现有代码不兼容，需迁移。部分新功能仅在特定硬件上生效，通用性需测试。此外，库体积较大，在资源受限设备上需要裁剪。
Executorch 是 PyTorch 针对移动端、嵌入式设备和边缘计算推出的统一推理运行时，支持手机到微控制器，最小体积仅 50KB，已在 Meta 的 Instagram、WhatsApp、Quest 3 等产品落地。
如果你需要将 PyTorch 模型部署到手机、IoT 设备或微控制器上，Executorch 是目前最原生且生产验证的解决方案。它直接导出 PyTorch 模型，无需转 ONNX 或其他格式，并支持 Qualcomm、Apple、ARM、MediaTek、Vulkan 等 12+ 硬件后端。对于追求低延迟、隐私保护（本地推理）或离线能力的团队极具吸引力。
由 Meta 维护，GitHub 星数 4700+，近期提交频繁。已在超十亿用户设备上运行，稳定性较高。支持 Llama、BERT、ViT 等主流模型，并提供量化、剪枝等优化工具。目前 open issues 1349，部分硬件后端仍处于实验阶段。
Executorch 本质上是 PyTorch 在边缘侧的推理引擎，与 PyTorch 生态无缝对接。它支持 LLM、视觉、语音等多模态模型，非常适合部署小型 AI 模型到终端设备。但需注意，其训练流程仍在 PyTorch 中完成，当前仅覆盖推理。
部分硬件后端（如微控制器）支持尚不完善，实际部署时可能需要手动调优。模型体积较大时可能超出设备内存。社区活跃但 issue 较多，新版本可能存在 regressions。建议从官方支持的示例模型开始验证。