Cloudflare 发布文档字段抽取模型 Clairic，称比大语言模型更快更便宜
Cloudflare 发布 AI 模型 Clairic，称其从文档中抽取数据比大语言模型更快、更便宜。Clairic 已在 Workers AI 上提供预览，开放权重将随后发布；用户指定订单号、发票总额等字段后，模型一次性返回对应格式的值和置信度分数，缺失值返回 null，还可做简单计算、估算和预测。Cloudflare 称在投诉邮件示例中。
#数据/训练
The Decoder AI in practiceAI 评分5555
AI新榜AI 评分2222 新榜海汇分析8602条AIGC广告：催泪亲情题材百万爆文率达42.5%
新榜海汇分析8602条AIGC广告发现，催泪亲情题材仅占2.2%，百万爆文率却达42.5%，约为整体水平的2.8倍，AIGC广告TOP10中4条为亲情主题且TOP1亦属此类。拆解案例显示，这类爆文多从爷孙、父子等熟悉关系与日常场景出发，让床垫、球鞋、环保板材等产品成为承载亲情的情感道具，在情绪高潮自然露出品牌。母婴育儿行业凭借天然亲情关联跑出更高爆款率。
NVIDIA 官方设计与仿真资料 Earth-2 天气生产决策教程：SDA在两个示例中降低风速误差
结论：SDA可把最新站点观测接入既有天气模型，适合有本地观测数据的能源生产、物流等团队验证短期预测流程；不能把示例误差降幅当作所有地区的效果承诺。NVIDIA 教程在 Earth2Studio 中演示 CorrDiff 降尺度与 StormCast 预报：使用 GHCN-Hourly 站点观测时，CorrDiff-COSMO 示例在留出站点的风速 RMSE 降低54%；StormCast-CONUS 示例在六个时间步上平均降低7.2%。两项属于不同任务与示例，不能相加或泛化为生产收益。SDA不要求重新训练原模型，但需要匹配的模型、观测数据和计算环境；示例预训练区域及分辨率也需核对。建议先用本地留出观测与原流程比较误差、计算耗时和成本，再决定部署。数字来自官方文章，未由 FLABS 复测。原文发表于9月21日，本文不把补审日期作为新发布日。
NVIDIA 官方设计与仿真资料精选 Omniverse NuRec：复用行驶数据，为新车型生成感知训练视角
NVIDIA 官方教程展示车型适配流程：用已有行驶记录重建三维场景，按目标摄像头布局渲染，再用 Harmonizer 整理画面并准备感知训练数据。NuRec Skill 可协助数据获取、渲染与后处理；画面修复不能补救错误校准或未覆盖场景，合成数据也不能替代实车数据验证。数据集、模型和容器需要相应 NVIDIA NGC / Hugging Face 账户及许可；FLABS 未运行该工作流，不把厂商效果视为本站实测。
推荐理由：提供汽车产品开发中的三维重建与仿真数据准备步骤，并明确校准、真实验证和许可边界。
NVIDIA 官方设计与仿真资料精选 COMPASS 官方教程：用 AI Agent 准备、训练与评估机器人导航策略
NVIDIA 以 Spot 四足机器人为参考，展示 COMPASS 工作流：准备仓库或 SAGE-10K 场景，运行单环境检查，再进行残差强化学习训练和检查点评估。Agent 协助开发准备与故障诊断，实际导航由训练后的策略和控制器执行。示例栈为 Isaac Lab 3.0 与 Isaac Sim 6.0，要求 Ubuntu、支持 RTX 的 NVIDIA GPU及至少 16GB 显存；场景接受和检查点晋级设有人审核。FLABS 未训练或部署该示例。
推荐理由：连接仿真资产、训练与交付验收，提供机器人生产自动化开发的可复用流程和明确适用条件。
NVIDIA 官方设计与仿真资料精选 NVIDIA SkillEvaluator：对比安装 Skill 前后的 Agent 表现
NVIDIA 介绍开源 SkillEvaluator：先检查技能结构与安全、识别重复指导，再在隔离任务中对比安装与未安装 Skill 的 Agent 表现。文章说明对照使用相同提示、模型、输入和评分条件，并分别在两个执行框架上评估。公布的 Skill Lift 是分数差值，不是百分比；多数任务只有一次尝试，未报告置信区间。这些是 NVIDIA 自述结果，FLABS 未复现，也不据此给工具榜打分。
推荐理由：提供生产 Agent 技能评测的对照方法，并明确样本次数、分数单位与结果不确定性。
NVIDIA 官方设计与仿真资料精选 Cosmos 3 Edge 官方教程：训练机器人动作策略并在 Jetson Thor 部署
NVIDIA 介绍用 DROID 示范数据后训练 Cosmos 3 Edge 动作策略，再在 Jetson Thor 上运行策略服务，并先在 RoboLab 闭环仿真中评估。教程区分训练与机载推理：公布的训练方案使用多节点 GB200 级算力，不能把机器人端运行条件当成单 GPU 训练门槛；不同机器人还需调整动作空间、相机和状态配置。文中效果来自厂商示例，权重、框架和数据应分别核对许可与访问条件；FLABS 未训练、部署或实测。
推荐理由：覆盖机器人生产自动化开发的训练、端侧部署与仿真评估链路，避免混淆训练和推理资源。
NVIDIA 官方设计与仿真资料精选 NVIDIA 解读世界动作模型：联合预测机器人动作与未来场景
NVIDIA 技术文章解释以视频世界模型为骨干的世界动作模型（WAM），并介绍基于 Cosmos 3 的机器人策略后训练方向。文章将联合预测动作与未来场景作为物理泛化的路径，但不同机器人仍需要各自的后训练与数据适配。这是厂商技术解读，不代表 WAM 必然优于所有 VLA；FLABS 未训练策略或验证真实产线表现，模型、数据与代码需分别核对许可和使用条件。
推荐理由：为机器人与生产自动化开发提供模型架构和后训练方向，区分厂商观点与已验证的生产效果。
NVIDIA 官方设计与仿真资料精选 Alpamayo 2 Super 官方开发教程：轨迹、推理说明与多相机自动标注
NVIDIA 官方教程展示 Alpamayo 2 Super 在自动驾驶研发中的四类用法：生成轨迹与因果推理说明、预测高层动作、回答多相机场景问题，以及生成带二维定位的自动标注。示例使用模型权重和推理笔记本，并讨论开环与闭环评估；权重、代码和示范数据需要分别核对许可及访问条件。厂商示例不能替代真实系统验证，FLABS 未运行模型、训练或验证部署安全。
推荐理由：把多相机推理与自动标注落实到车辆产品开发任务，同时保留评估和许可边界。