L4
PulseAugur coverage of L4 — every cluster mentioning L4 across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
AI代理需要硬性美元上限以防止GPU过度消耗
可以通过在平台内部实施严格的财务控制来缓解AI代理在云GPU资源上过度支出的潜在风险，而不是仅仅依赖基于提示的指令。文章概述了一种防止成本失控的五层方法，强调对代理作业设置硬性美元上限、限制访问的范围凭证以及用于批准的启动前试运行估算。这些措施至关重要，因为云预算警报通常反应太慢，无法应对AI代理的快速支出，特别是当它们请求NVIDIA H100 GPU等昂贵硬件时。
-
九号公司构建15000张GPU集群用于多模态自动驾驶AI
九号公司已建成行业首个近15000张GPU的L4级集群，使其APEX多模态基础模型向百亿参数迈进。这一显著的算力升级使公司能够更好地处理复杂、真实的驾驶场景，并加速其自动驾驶技术的自我进化。公司利用其在300个城市、超过30000辆车上的广泛真实运营数据来训练模型，将其定位为城市治理的实体AI服务提供商。
-
Leapmotor加速智能驾驶技术，目标2026年跻身顶尖行列
Leapmotor正加速其智能驾驶系统的开发，目标是在2026年成为顶尖竞争者之一。公司通过其“智能驾驶4.0”系统验证了其世界模型技术路线，该系统在内部测试中显示出比竞争对手显著更低的接管率。这一进展得到了完全自主研发的智能科技研究院以及新的电子电气架构（EEA 4.0）的支持，后者降低了成本并使得先进功能能够部署到更经济实惠的车型中。
-
LLM推理优化研究详解成本-质量-延迟权衡 · 跟踪2个来源
两篇新研究论文探讨了大型语言模型（LLM）推理优化技术的权衡，重点关注成本、质量和延迟。第一篇论文《推理工程帕累托图集》（The Inference Engineering Pareto Atlas）分析了不同GPU上Qwen2.5-7B-Instruct的各种配置，发现组合优化方法比单独使用更有效。该论文强调，FP8权重在准确性和延迟之间提供了良好的平衡，而朴素的FP8 KV缓存则是有害的。第二篇论文《一种用于衡量推理优化如何影响输…
-
Pony.ai 发布电动 T9 自动驾驶卡车，今年投产
Pony.ai 揭晓了其全电动 T9 模型，该模型计划于今年晚些时候投产。该公司旨在通过大幅降低组件成本并将其软件与机器人出租车业务标准化来实现 L4 自动驾驶技术的商业化。
-
Neolix开始在日本测试L4自动驾驶汽车
商用自动驾驶配送车运营商Neolix已在东京配送中心（TRC）的封闭环境中开始L4级别自动驾驶测试。这是该公司在日本的首次L4测试，此前已在新加坡和马来西亚部署。首批车队包括Xolra3和Xolra6型号，专为不同载货量设计，并采用无需预先构建高清地图的自动驾驶技术。Neolix旨在通过包括室内和多层场景在内的进一步试点测试，将其技术适应于日本本地运营。
-
WeRide、Uber获得西班牙首个L4 Robotaxi牌照，将在马德里推出
WeRide、Uber和AVOMO已获得西班牙交通总局颁发的首个L4自动驾驶乘用车运营牌照。这项里程碑式的批准允许在马德里公共道路上部署Robotaxi。这些公司计划在2026年底前通过Uber应用程序向公众在马德里推出商业Robotaxi服务。此次合作旨在通过结合WeRide的自动驾驶技术、Uber的全球叫车平台以及AVOMO的车队管理专业知识，建立可扩展的Robotaxi商业模式。
-
AI智能框架将GPT-4o、Claude 3.5置于协作者级别
一个名为“碳硅道”（Carbon-Silicon Dao）的理论框架提出了一种五级智能分类系统，从基本的模式匹配到自我意识。该框架使用一个十维量表来定位当前的AI模型，其中GPT-4o和Gemini 2.0被描述为从“技术员”级别过渡到“协作者”级别，而Claude 3.5则被置于“协作者”级别。作者认为，当前的AI系统根本上局限于“中层适配域”，无法实现真正的自我意识，而自我意识仍然是生物智能独有的。
-
AI框架ARNAI通过去除植入物伪影增强脊柱图像分析
研究人员开发了一个名为ARNAI的新型AI框架，旨在提高脊柱图像分割和测量的准确性，特别是在包含脊柱植入物的术后放射影像中。该框架结合了自动编码和修复网络，以有效去除由植入物引起的伪影。当与现有的分割模型集成时，ARNAI显著减少了测量误差，其中L4-L5节段Cobb角估计的平均误差降低了70%。
-
滴滴自动驾驶推出下一代Robotaxi R2进行载人测试
滴滴自动驾驶已在北京和广州部分地区推出其下一代Robotaxi R2，用于载人测试。这款与广汽埃安合作的新车型，拥有升级的自动驾驶能力和增强的乘客体验，包括大型车载屏幕和AI语音交互。R2经过了严格测试，并配备了先进的传感器和安全系统，以提供智能便捷的出行服务。
-
新AI系统Anian为心理健康支持开发，具备安全门控功能
研究人员开发了Anian，一个安全门控的多模态人工智能后端，用于心理健康支持和正念干预路由，特别是在围产期护理领域。该系统采用分层状态表示，融合本地和外部安全证据，在检测到中度或高风险时阻止不当的人工智能生成响应。内部原型评估显示，在情绪分类、社会心理结构和干预路由方面取得了高微F1分数，并在预定义场景的受控安全压力测试中实现了完美的召回率。虽然该架构和门控逻辑显示出内部可行性，但仍需要进一步的专家评审和现实世界验证来确立其临床效用。
-
中国发布自动驾驶安全强制性国家标准
中国已正式发布智能网联汽车自动驾驶系统安全要求的强制性国家标准。该标准GB 44721—2026将于2027年7月1日起实施，适用于配备L3和L4自动驾驶系统的M和N类车辆。旨在建立一个全面、清晰、适应性强的安全要求体系，以满足中国行业发展和监管需求。
-
作者回应有关MCP监控和安全功能的评论
本文作者正在回应之前关于其在MCP（可能是安全或监控系统）方面工作的文章收到的评论和反馈。他们澄清了不同监控级别（L3与L4）之间的区别，解释说L3涉及定期重新证明以捕获累积的漂移，而L4则需要一个进程内代理来进行实时监控。作者还讨论了针对JSON规范化攻击的防御措施，指出使用了确定性序列化并计划采用RFC 8785等标准。此外，他们还解决了证书吊销分发方面的挑战，提出使用带有短TTL的签名吊销列表作为未来解决方案，并承认除了当前的证…
-
Momenta获深圳Robotaxi测试许可，目标2027年量产
Momenta已获得深圳市的道路测试许可，允许在该市进行L4级别Robotaxi测试。此前，该公司宣布了与上汽和享道出行合作的量产定制Robotaxi项目，计划于2027年推出。Momenta还在推进其技术，已部署其R7世界模型用于量产，该模型利用海量驾驶数据来增强复杂场景下的决策能力。Momenta计划将其Robotaxi业务扩展到全球更多城市，利用其AI平台支持各类车型，并可能应用于其他机器人领域。
-
长江和记实业首次公开募股推迟；AI平台在WAIC上获奖
长江和记实业（A.S. Watson Group）据报道正考虑将其原定于今年秋季在伦敦进行的首次公开募股（IPO）推迟至明年。在伦敦和香港双重上市预计将筹集约20亿美元，公司估值约为300亿美元，并将为淡马锡控股（Temasek Holdings）2014年投资提供退出机会。另外，2026世界人工智能大会将SAIL Star奖授予了Deep Principle AI Scientist Platform，以表彰其整合生成式AI和其他先…
-
Deep Principle AI Scientist Platform 荣获 WAIC SAIL 之星奖
Deep Principle 开发的 AI 科学家平台在 2026 世界人工智能大会（WAIC）上荣获 SAIL 之星奖。该平台集成了生成式 AI、第一性原理计算以及 Mira 和 L4 智能体系统，以简化工业研发流程。它涵盖了从需求分析和生成到实验验证和数据反馈的整个创新周期。
-
格林美计划回购股份；自动驾驶时间表公布；DeepSeek寻求IPO
格林美宣布一项计划，拟以1亿至1.6亿元人民币回购公司股份。回购的股份将用于股权激励或员工持股计划，最高回购价格为每股10.6元。另外，华为高管靳玉祉概述了自动驾驶的时间表，L3城市试点预计将在2027年实现规模化商业落地，L4 Robotaxi服务可能于2028年在部分城市推出。此外，据报道DeepSeek正准备IPO。
-
华为预测L3/L4自动驾驶规模化应用将在2027-2028年实现；百度寻求香港二次上市
华为高管余承东预计自动驾驶将取得重大进展，L3商业化预计在2027年实现，而包括Robotaxi和低速自动驾驶在内的L4能力将在同年看到试点项目，并于2028年实现规模化商业化。另据报道，百度已获得董事会批准，将在现有纳斯达克上市之外，寻求在香港联合交易所进行二次主要上市。该公司预计此次转换将在年内生效。
-
特斯拉策略逆转，为L2 FSD提炼L4 Robotaxi模型
特斯拉正在调整其自动驾驶开发策略，从L2到L4的“自下而上”方法转变为L4到L2的“自上而下”模式。该公司现在正为其L4专用Cybercab和未来硬件开发更大、更复杂的AI模型，然后将这些模型提炼和压缩，用于其配备HW4的大众市场车辆。这一变化表明，为Robotaxi服务开发的功能将向下扩展并应用于监督式L2驾驶系统，Cybercab将作为高级模型开发的主要平台。
-
新框架定义了人工智能代理自主性的五个级别
一个新框架提出了代理自主性的五个级别，从基本协助到完全托管的编排。这些级别被定义为 L0：协助，L1：监督式操作，L2：范围界定的任务委托，L3：目标驱动的自主性，以及 L4：并行委托，并可能有一个 L5 用于异常情况下的托管编排。此分类旨在为理解和分类人工智能代理的功能提供一种结构化方式。