跳到正文
只看一手
7月23日周四
  1. Google Research66

    Google Research 提出从错误中学习的量子纠错强化学习框架

    Google Research 在 Nature 发表论文，提出一种强化学习框架，让自主智能体从量子错误检测事件中学习，在计算过程中持续调节数千个控制参数以对抗漂移。

    推荐理由：Google 用强化学习让量子纠错在计算过程中持续校准，读者可了解其 3.5 倍稳定性提升与规模化模拟结论。

7月22日周三
7月21日周二
  2. Hugging Face Blog62

    Hugging Face 发布 Grabette：开源机器人操作数据采集系统

    Hugging Face 发布 Grabette，一套开源低成本的手持夹爪系统，用于录制机器人操作演示数据。Grabette 配备广角鱼眼相机与 RGBD 相机，BOM 成本约 490€，配套的机器人端夹爪 Gripette 成本约 120€。

    推荐理由：原文给出了一套低成本手持夹爪采集方案与浏览器端处理流程，读者可据此判断机器人操作数据的采集门槛变化。

7月17日周五
7月16日周四
  3. Hugging Face Blog88

    Hugging Face 披露 2026 年 7 月安全事件：入侵由自主 AI 智能体驱动

    Hugging Face 披露本周检测到一起针对其部分生产基础设施的入侵，该事件端到端由自主 AI 智能体系统驱动，攻击者通过恶意数据集利用数据集处理中的远程代码加载器和模板注入两条代码执行路径，进而获取节点级权限、窃取云与集群凭证并在周末横向移动至多个内部集群。

    推荐理由：Hugging Face 披露首起由自主 AI 智能体端到端驱动的入侵，并说明防御方为何改用自托管开源模型完成取证。

  4. Google Research24

    Google Research 揭示扩散模型创造力来源：分数平滑如何带来插值效应

    Google Research 在 ICLR 2026 论文中指出，扩散模型的创造力源于神经网络训练中的"分数平滑"效应：权重衰减等正则化使学到的分数函数变平滑，去噪过程因此生成落在训练数据点之间的插值样本，而非简单记忆。研究用一维两点实验验证，权重衰减越强、分数函数越平滑，粒子越易停在插值区。

7月15日周三
  1. Hugging Face Blog85

    Thinking Machines 在 Hugging Face 发布 Inkling 及 Inkling-Small 多模态模型

    Thinking Machines Lab 在 Hugging Face 发布 Inkling 系列多模态大模型，Inkling 为约 1T 参数、41B 激活参数的 MoE 模型，原生支持图像、文本、音频输入，上下文窗口 1M，并推出 276B 总参数、12B 激活参数的 Inkling-Small。

    推荐理由：原文给出 Inkling 的架构细节、部署配置与基准对比，读者可据此判断这一开源多模态模型的落地门槛。

7月13日周一
7月10日周五
7月9日周四
  2. Google Research60

    Google 发布 SensorFM：面向可穿戴健康数据的通用基础模型

    Google Research 发布 SensorFM，一个直接从无标注可穿戴数据学习的大型传感器基础模型，预训练语料超过一万亿分钟多模态信号，来自五百万名同意参与者。

    推荐理由：Google 用一万亿分钟可穿戴数据预训练通用生理表征，读者可了解基础模型在健康领域的规模化路径。

7月8日周三
  1. Mistral AI66

    Mistral AI 发布 Robostral Navigate 具身导航模型

    Mistral AI 发布首个具身导航模型 Robostral Navigate，这是一个 8B 模型，仅用单个普通 RGB 相机、无需 LiDAR 或深度传感器，在 R2R-CE 验证集 unseen 上达到 76.6% 成功率，比最佳单相机方案高 9.7 个点，比使用深度或多相机的最佳系统高 4.5 个点。

    推荐理由：官方给出单目 RGB 相机在 R2R-CE 上的成绩与训练方法，读者可据此判断具身导航的硬件门槛变化。

  2. Hugging Face Blog62

    vLLM 的 transformers 建模后端达到原生推理速度

    Hugging Face 宣布 vLLM 的 transformers 建模后端在多个 LLM 架构上已追平甚至超过 vLLM 手写原生实现的吞吐。该后端通过 torch.fx 做静态图分析、用 ast 重写算子，在运行时动态应用推理专用层融合，覆盖 MoE 专家并行、TP 张量并行等场景。

    推荐理由：原文给出 transformers 后端在 vLLM 中追平原生实现的具体机制与启用方式，读者可据此判断自家模型能否免移植获得同等推理速度。

7月7日周二
  1. Hugging Face Blog62

    微软在 Foundry Managed Compute 上线 Hugging Face 模型集合

    微软在 Build 2026 宣布 Foundry Managed Compute 与 Hugging Face 模型集合，将 Hugging Face 生态的开源权重模型以每周刷新的策展目录形式引入 Foundry Model Catalog，可一键部署到托管 GPU 平台。

    推荐理由：微软把 Hugging Face 开源模型的部署运维层接进 Foundry，读者可据此判断企业自托管开源模型的门槛变化。

  2. Berkeley AI Research34

    智能免费之后怎么办？面向智能体、由智能体构建、为智能体服务的数据系统

    伯克利 EPIC Data Lab 提出近零推理成本时代数据系统面临三大挑战：为智能体服务、由智能体运行、由智能体构建。GPT-4 级能力从 2023 年初约 $30/百万 token 降至如今不到 $1，部分厂商已低于 $0.10，推理价格年降幅在 9x 到 900x 之间，中位数约 50x。

  3. Hugging Face Blog62

    Hugging Face 与 SkyPilot 打通零出网费存储，可在任意云运行 AI 负载

    Hugging Face 与 SkyPilot 联合推出 store: hf 存储后端，用一条 hf:// URL 和已有的 HF_TOKEN 即可把 Hugging Face Bucket 或任意模型、数据集、Space 仓库挂载进 SkyPilot 任务，并在 20 多个云、Kubernetes、Slurm 和本地集群上运行。

    推荐理由：原文给出 hf:// 挂载与零出网费的具体机制和跨云实测数据，读者可据此判断跨云训练存储成本的变化。

  4. Hugging Face Blog75

    LeRobot v0.6.0 发布：世界模型策略、奖励模型与六大仿真基准

    Hugging Face 发布 LeRobot v0.6.0，围绕机器人学习闭环引入世界模型策略（VLA-JEPA、FastWAM、LingBot-VA）、新一批 VLA（GR00T N1.7、MolmoAct2、EO-1、EVO1、Multitask DiT）以及统一的奖励模型 API（Robometer、TOPReward）。

    推荐理由：LeRobot v0.6.0 把世界模型策略、奖励模型与统一评测串成闭环，读者可据此判断开源机器人学习栈的当前边界。

7月6日周一
  1. Hugging Face Blog28

    PRX Part 4：我们的数据策略

    PRX 系列第 4 篇披露其数据策略：训练数据由公开与内部数据集混合组成，用 VLM 重新生成图像描述，再转为可流式语料。团队改用 Qwen3-VL 在训练中实时计算文本 latent，7B 规模下吞吐仅损失约 3–4%（30 天训练多约 1 天），并采用 Lance 构建、MDS 流式的双格式方案。

  2. Hugging Face Blog42

    Hugging Face Kernels 项目重大更新：新增 kernel 仓库类型、可信发布者与代码签名

    Hugging Face 为 Kernels 项目引入 Hub 上的 "kernel" 新仓库类型，并新增可信发布者与代码签名两层安全机制，默认只加载可信发布者的 kernel，其他来源需显式传入 trust_remote_code=True。CLI 方面 kernels 与 kernel-builder 职责分离，框架支持新增 Torch Stable ABI 和 Apache TVM FFI。

7月3日周五
  1. Google DeepMind36

    Google DeepMind 与 A24 宣布首个此类研究合作

    Google DeepMind 与 A24 宣布达成首个此类研究合作，双方将围绕多个项目展开长期研发协作，让 A24 及其电影人参与塑造新技术。Google 同时已对 A24 进行投资。合作初期聚焦于弥合前沿技术与下一代娱乐之间的差距，具体目标与技术产出将随时间演进。

7月2日周四
  1. Mistral AI71

    Mistral 发布 Leanstral 1.5 形式化验证模型

    Mistral 发布 Leanstral 1.5，一个 Apache-2.0 许可的模型，119B 总参数、6B 激活参数，在形式化验证上大幅升级：miniF2F 达到 100%，PutnamBench 解出 587/672 题，FATE-H 达 87%、FATE-X 达 34%。

    推荐理由：原文给出 Leanstral 1.5 在形式化验证基准上的成绩与每道题成本，读者可据此判断开源证明模型的性价比。

7月1日周三
  1. Berkeley AI Research15

    2026 届 BAIR 博士毕业生展示：从机器人到 LLM 推理的 AI 研究全景

    伯克利人工智能研究实验室（BAIR）公布 2026 届博士毕业生名单，其研究覆盖机器人、具身智能、大语言模型与推理、计算机视觉、生成建模、AI 安全、人机交互及 AI for Science 等方向。毕业生去向包括 OpenAI、Mistral AI、Physical Intelligence、Amazon 等机构，以及高校教职和自主创业。

6月30日周二
  2. Google Research75

    Google 发布表格数据零样本基础模型 TabFM

    Google Research 发布面向表格数据分类与回归的基础模型 TabFM，将表格预测重构为上下文学习问题，无需手动训练、超参数调优和特征工程，单次前向传播即可对未见过的表格生成预测。

    推荐理由：Google 把零样本思路从时序预测搬到表格数据，读者可了解其架构设计与 TabArena 基准表现。

6月27日周六
6月25日周四
  1. Google Research31

    Google 用线性弹性缓存优化云成本，Spanner 内存用量降 15.5%

    Google Research 提出线性弹性缓存，将页面淘汰建模为滑雪租赁问题，用轻量机器学习动态调整缓存大小。在 Spanner 生产环境测试中，内存用量降低 15.5%，缓存未命中仅增加 5.5%，总拥有成本（TCO）降低约 5%，实际 I/O 成本影响仅 0.5%。该方案用浅层决策树预测页面 TTL，可翻译为几行 C++ 代码。

  2. Google Research29

    Google Research 研究：推理如何解锁 LLM 的参数化知识

    Google Research 在 COLM 2026 论文中揭示，让模型生成推理链能解锁原本无法召回的事实答案，即使问题只是单跳事实查询。研究用 Gemini-2.5（Flash 和 Pro）与 Qwen3-32B 在 SimpleQA Verified 和 EntityQuestions 上对比推理开关两种模式，发现两个机制：额外 token 充当计算缓冲，以及生成相关事实的"事实启动"效应。