据 TechCrunch 报道，Encord 正在与 Zander Labs 测试一种新的 Physical AI 数据生产方式：在人类完成抓取、摆放等操作任务时，同时采集第一视角视频和脑电信号。 这不是“用意念控制机器人”。 重点是让训练数据更有信息量。脑电信号可能帮助标记意图、错误、惊讶或认知负荷，这些是单靠视频不一定能捕捉到的上下文。 Encord 的 Physical AI 数据体系还包括现场采集、遥操作、多传感器数据、标注和部署反馈。 机器人要学习真实世界，需要大量结构化样本：手、工具、物体、动作、时机和失败案例。

推荐这两个模型，Liquid AI 的新 encoder。 小参数下匹敌大模型质量——长文本 CPU 推理比 ModernBERT 快了数倍。 Liquid AI 在 7 月 28 日发布了两个新的 encoder 模型——LFM2.5-Encoder-230M 和 350M。核心卖点：在小参数下匹敌大模型的质量，上下文 8192 token 且延迟随输入长度增长缓慢，CPU 上比 ModernBERT-base 快约 3.7 倍。 架构 两个 encoder 从 LFM2 解码器主干初始化，然后做三步改造：双向注意力掩码（每个 token 看两边）、非因果短卷积（对称 padding）、30% token 的掩码语言建模训练。 两阶段训练：先用 1024 token 上下文做大语料 MLM，再扩展到 8192 token 强化事实、法律和多语言能力。 Benchmark 在 GLUE + SuperGLUE + 多语言分类共 17 个任务上，350M 版本排 14 个模型中的第 4 名，前 3 名都更大（最大一个 3.5B，近 10 倍参数）。230M 版本击败了 ModernBERT-base 和所有 EuroBERT 模型，参数量更小。 CPU 推理速度 最大的优势在 CPU 上。8192 token 输入时，ModernBERT-base 一次前向约 90 秒，LFM2.5-Encoder-230M 约 28 秒——约 3.7 倍快。这意味着你可以在笔记本 CPU 上 30 秒内扫描完一份完整合同、转录文本或长客服线程。 GPU 上的优势在长上下文时同样存在：短输入（<1000 token）ModernBERT 领先，长输入 LFM2.5-Encoders 反超。 实际用途 附带了 5 个 CPU-only 的 HuggingFace Space demo：零样本 prompt 路由、零样本策略检查、拼写纠正、40 种 PII 检测、掩码扩散文本生成（迭代 unmask 而非从左到右生成）。 两个模型都是开放权重，支持 transformers + Flash Attention 2。 模型： 博客： #Encoder# #CPUInference# #ONNX#

吴说获悉，Fold Holdings（NASDAQ: FLD）宣布与 Encina Lender Finance 达成为期四年的高级担保循环信贷额度协议，最高规模为 1.5 亿美元，将用于扩大 Fold 比特币信用卡发卡规模。Fold 比特币信用卡已向部分候补用户发放，计划未来数周至数月分批扩大开放范围；该卡通过 Visa 网络发行，由 Stripe Issuing 提供支持。

吴说获悉，去中心化隐私计算网络 Nillion 公布加密市场（Encrypted Markets）七阶段路线图。首阶段 Dusk 已于 8 月在以太坊 Sepolia 测试网上线，计划于 10 月首周登陆以太坊主网；首款基于 Covenants 的应用现已开放测试。后续阶段将逐步扩展至更多 EVM 链，增加跨链执行和用户自定义条件等功能，并推出专用编程语言及虚拟机、加强抗量子计算能力，最终优化成本与性能以支持规模化应用。