Meta 发布开源多模态模型 Muse Glimmer 30B，面向本地智能体场景
Meta 发布 Muse Glimmer，一个从 Muse 蒸馏到 30B 参数的多模态模型，采用 Apache 2.0 许可，面向本地智能体场景，如编码、文档分析和个人助理。
推荐理由：Meta 开源 30B 多模态模型，附完整基准对比与本地部署路径，可据此判断端侧智能体的可行性。
#开源生态
Hugging Face Blog精选AI 评分8080
Google DeepMind精选AI 评分7878 Google DeepMind 发布 WeatherNext 气旋预报模型并开源
Google DeepMind 在 Nature 发表论文，称 WeatherNext AI 模型在气旋路径、强度和风场结构预报上达到 SOTA，平均多出一天预报提前量，三天预报精度相当于此前模型的两天水平。
推荐理由：原文给出气旋路径与强度预报的领先幅度和开源范围，读者可据此判断气象预报模型的进展与可用性。
Mistral AI精选AI 评分6666 Mistral AI 发布 Shieldstral：3B 开源多模态安全分类器
Mistral AI 发布 Shieldstral，一个 3B 开源权重多模态安全分类器，以 Apache 2.0 许可开放下载，可在单张 16GB NVIDIA GPU 上运行。它把内容审核建模为策略自适应的问答任务，推理时用自然语言写入策略即可返回校准后的安全分数，无需重新训练，统一处理文本与图像。官方称其在文本安全上可匹配最多 7 倍参数量的模型，并在多模态审核上取得新的 SOTA。
推荐理由：3B 开源安全分类器把内容审核变成推理时可换策略的问答任务，可据此判断小模型在审核场景的可用边界。
Microsoft Research精选AI 评分7171 微软研究院开源 Orchard：可扩展智能体 AI 框架
微软研究院发布开源框架 Orchard，核心是 Orchard Env 这一可复用的 Kubernetes 环境服务，支持软件工程、网页导航和个人助理三类智能体，并可直接在 Codex、OpenClaw、ZeroClaw 等真实部署框架内训练。
推荐理由：微软研究院开源 Orchard 框架，读者可了解其环境服务如何让同一套基础设施训练软件工程、网页导航与个人助理三类智能体。
Microsoft Research精选AI 评分6666 微软研究院发布 Echoverse：面向 computer-use 智能体的深度演化环境
微软研究院提出 Echoverse，为 computer-use 智能体构建 12 个训练世界，包括 10 个深度领域世界和 2 个能力世界，强调行为保真、状态一致、工作流深度和基于数据库的验证。
推荐理由：微软研究院公开了合成环境工厂的构建流程与训练数据，读者可据此理解高保真环境如何影响 computer-use 智能体的训练效果。
Berkeley AI Research精选AI 评分6262 从 CUDA 到 MLX：K-Search 如何把数十年内核经验带到 Apple Silicon
Berkeley AI Research 与 IBM Research 将 K-Search 进化式内核搜索框架扩展到 MLX，新增结构化 CUDA-to-MLX 翻译层，让已有 CUDA 内核作为知识库适配 Apple Silicon。
推荐理由：读者可看到 CUDA 优化经验如何被结构化迁移到 Apple Silicon，以及翻译层对内核性能的具体贡献。
Import AIAI 评分7070 Epoch 与 METR 发布 MirrorCode 长周期编程基准
Epoch 与 METR 发布 MirrorCode 基准，用于测试 AI 系统在长周期编程任务上的表现，任务要求仅凭 CLI 访问、在没有源码和网络的情况下重新实现完整程序。
Hugging Face Blog精选AI 评分6262 Diffusers 原生支持 Nunchaku 4-bit 扩散推理
Hugging Face 在 Diffusers 中引入 Nunchaku Lite，可直接用 from_pretrained() 加载 Nunchaku 量化检查点，无需自定义 pipeline 或本地 CUDA 编译。
推荐理由：Diffusers 原生支持 Nunchaku 4-bit 推理，读者可据此了解消费级 GPU 跑扩散模型的内存与速度取舍。
Hugging Face Blog精选AI 评分6262 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。
Import AIAI 评分6060 Import AI 465：开源与闭源模型差距收窄、Kimi K3 与 Demis 的 AGI 监管方案
英国 AI Security Institute 分析显示，开放权重模型与闭源前沿模型在网络安全能力上的差距正在收窄：GLM-5.2 与 DeepSeek V4-Pro 的表现接近 4 到 7 个月前发布的闭源前沿模型，而 2025 年大部分时间这一差距为 6 到 10 个月。
Hugging Face Blog精选AI 评分8888 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。
Hugging Face Blog精选AI 评分8585 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。
Hugging Face Blog精选AI 评分6262 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。
Hugging Face Blog精选AI 评分6262 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。
Hugging Face Blog精选AI 评分6262 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。
Hugging Face Blog精选AI 评分7575 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。
Hugging Face BlogAI 评分2828 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。
Hugging Face BlogAI 评分4242 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。
Mistral AI精选AI 评分7171 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。
Hugging Face Blog精选AI 评分6262 Hugging Face 与 Cerebras 将 Gemma 4 引入实时语音 AI
Hugging Face 与 Cerebras 联合发布实时语音到语音演示，用 Cerebras 加速 Gemma 4 31B 推理，构建开放的级联语音流水线。
推荐理由：原文给出了可复用的开源语音到语音流水线架构，读者可据此了解各模块如何组合与替换。
Hugging Face BlogAI 评分5050 Hugging Face 模型页现已展示 Every Eval Ever 评测结果
Every Eval Ever（EEE）与 Hugging Face Community Evals 实现互通，评测结果可交叉发布并回链至完整 EEE 记录。EEE 数据存储已收录约 229,000 条评测结果，覆盖超 22,000 个模型和 2,200 个基准，来自 31 种报告格式。
Google DeepMind精选AI 评分7878 Google DeepMind 发布 Gemma 4 12B：统一无编码器多模态模型
Google DeepMind 发布 Gemma 4 12B，一款面向笔记本电脑的智能体多模态模型，介于边缘端 E4B 与 26B MoE 之间，是首个支持原生音频输入的中等规模 Gemma 模型。
推荐理由：Gemma 4 12B 用无编码器架构把视觉和音频直接接入 LLM，读者可据此判断本地多模态智能体的硬件门槛。
Google Research精选AI 评分6262 Google 开源水文建模框架，支持自建 AI 洪水预报
Google Research 在 GitHub 上以 Apache 2.0 许可开源其水文建模框架，让各国气象与水文机构能用与 Google Flood Hub 相同的架构和相近训练数据训练 AI 洪水预报模型。
推荐理由：Google 把驱动 Flood Hub 的水文模型架构与训练流程开源，读者可据此判断本地洪水预报能否自建。
Mistral AIAI 评分3838 Mistral 收购 Emmi AI 后加码物理 AI 基础模型研究
Mistral 收购 Emmi AI，并加码面向航空航天、汽车、半导体和能源等行业的物理 AI 基础模型研究。其已发布成果包括 AB-UPT，可在单张 GPU 上处理 9M 表面和 140M 体积单元的原始几何数据而无需重新网格化，以及面向大规模多物理过程的端到端深度学习代理模型 NeuralDEM。
Mistral AI精选AI 评分8282 Mistral 发布 Mistral Medium 3.5 与 Vibe 云端远程智能体
Mistral 发布 Mistral Medium 3.5，这是其首个合并指令遵循、推理与编码的 128B 稠密旗舰模型，采用修改版 MIT 许可开放权重，支持 256k 上下文窗口，最少四块 GPU 即可自托管，在 SWE-Bench Verified 上得分 77.6%，超过 Devstral 2 和 Qwen3.5 397B A17B。
推荐理由：Mistral 把编码智能体搬到云端并同步开源 128B 旗舰模型，读者可据此判断自托管与异步编码的可行边界。
Google DeepMind精选AI 评分6262 Google DeepMind 发布 Gemini for Science，推出三项实验工具与 Science Skills
Google DeepMind 发布 Gemini for Science，包含 Google Labs 上三项实验原型：基于 Co-Scientist 的 Hypothesis Generation。
推荐理由：Google 把 Co-Scientist、AlphaEvolve 等研究原型打包成可申请试用的科学工具，读者可据此判断科研智能体的落地路径。
Google ResearchAI 评分2222 Google Research 如何通过全球合作与开放资源推动科学影响
Google Research 公布其开放科学成果：十余年积累的开源工具与开放数据集已服务全球超 25 万名研究者和开发者。
Google DeepMind精选AI 评分8282 Google DeepMind 发布 Gemma 4 开源模型家族
Google DeepMind 发布 Gemma 4 开源模型家族，包含 E2B、E4B、26B MoE 和 31B Dense 四个尺寸，采用 Apache 2.0 许可。
推荐理由：Gemma 4 以四个尺寸覆盖从手机到工作站的部署，并给出 Arena 排名与 Apache 2.0 许可，便于判断开源模型的可用边界。
Mistral AI精选AI 评分7272 Mistral AI 发布 Voxtral TTS 语音合成模型
Mistral AI 发布首个文本转语音模型 Voxtral TTS，4B 参数，支持英语、法语、德语、西班牙语、荷兰语、葡萄牙语、意大利语、印地语和阿拉伯语共 9 种语言，具备情感表达和零样本跨语言音色适配能力。
推荐理由：官方给出 4B 参数、70ms 延迟与 9 种语言支持，读者可据此判断企业语音智能体的成本与部署门槛。
Mistral AI精选AI 评分7878 Mistral 发布 Mistral Small 4，统一推理、多模态与编码智能体能力
Mistral AI 发布 Mistral Small 4，这是 Mistral Small 系列的下一个重大版本，也是首个把 Magistral 的推理、Pixtral 的多模态和 Devstral 的智能体编码能力统一到单一模型的 Mistral 模型，采用 Apache 2.0 许可。
推荐理由：Mistral 把推理、多模态与编码智能体能力合并进单一开源模型，并给出可调推理强度与部署门槛。
Mistral AI精选AI 评分6262 Mistral AI 与 NVIDIA 合作，成为 Nemotron Coalition 创始成员
Mistral AI 宣布以创始成员身份加入 NVIDIA Nemotron Coalition，双方计划共同开发前沿开源模型，Mistral 提供模型架构、多模态能力与企业级微调工具，NVIDIA 提供算力、模型开发工具和合成数据生成管线。
推荐理由：Mistral 以创始成员身份加入 NVIDIA Nemotron Coalition，读者可了解开源前沿模型的联合训练分工与后续 Nemotron 4 的开放计划。
Mistral AI精选AI 评分6060 Mistral 发布 Leanstral：面向 Lean 4 的开源代码智能体
Mistral 发布 Leanstral，称其为首个面向 Lean 4 的开源代码智能体，采用 6B 激活参数的稀疏架构，权重以 Apache 2.0 许可开放，并接入 Mistral Vibe 与免费 API 端点 labs-leanstral-2603。
推荐理由：官方给出 Leanstral 在 FLTEval 上的分数与成本对比，可据此判断形式化证明智能体的性价比路线。
Mistral AI精选AI 评分6262 Mistral 如何用 Vibe 构建自动编写 Rails 测试的智能体
Mistral 基于其开源编码助手 Vibe 构建了一个自动编写 Rails 测试的智能体，可读取源码、生成或改进 RSpec 测试并在 CI/CD 中无人干预运行。
推荐理由：Mistral 公开了用 Vibe 构建自动写 RSpec 测试智能体的完整方法，包括 AGENTS.md、技能文件和自定义工具的具体做法。
Mistral AI精选AI 评分7575 Mistral 发布 Voxtral Transcribe 2 语音转写模型家族
Mistral AI 发布 Voxtral Transcribe 2，包含面向批量转写的 Voxtral Mini Transcribe V2 和面向实时场景的 Voxtral Realtime，后者以 Apache 2.0 协议开放权重。
推荐理由：官方给出两款语音转写模型的延迟、错误率与定价对比，可据此判断实时语音场景的选型与成本。
Mistral AIAI 评分3434 Heaps do lie：排查 vLLM 内存泄漏
Mistral AI 团队在 vLLM 上排查一起内存泄漏：在 Mistral Medium 3.1、开启 graph compilation 的 Prefill/Decode 分离部署中，系统内存以每分钟 400 MB 线性增长，数小时后触发 out of memory。Heaptrack 显示堆内存稳定，泄漏发生在堆外，问题仅出现在经 NIXL 传输 KVCache 的 decode 侧。
Mistral AI精选AI 评分8282 Mistral 发布 Devstral 2 编码模型与 Mistral Vibe CLI
Mistral 发布下一代编码模型家族 Devstral 2，含 123B 的 Devstral 2 和 24B 的 Devstral Small 2，两者均为开源许可，Devstral 2 采用修改版 MIT、Small 2 采用 Apache 2.0。
推荐理由：原文给出 Devstral 2 的 SWE-bench 成绩、开源许可与部署门槛，读者可据此判断开源编码模型与闭源模型的差距。
Mistral AI精选AI 评分8282 Mistral 发布 Mistral 3 系列模型，含 675B 参数 Mistral Large 3
Mistral 发布 Mistral 3 系列，包括 14B、8B、3B 三个小尺寸稠密模型和迄今最强的 Mistral Large 3，后者为稀疏 MoE 架构，41B 激活参数、675B 总参数，全部以 Apache 2.0 许可开源。
推荐理由：Mistral 3 系列以 Apache 2.0 开源并给出参数与部署路径，读者可据此判断开源前沿模型的可用边界。
Mistral AIAI 评分4040 Mistral AI 与 SAP、Helsing 达成合作，将在德国开设办公室
Mistral AI 宣布与 SAP 建立多年合作，为其 AI Foundation 集成模型并共同开发面向欧洲复杂行业与政府的行业解决方案，同时与 Helsing 加速研发用于国防安全场景的视觉-语言-动作模型。Mistral AI 还将在未来数月内于德国开设办公室，并大幅扩充本地团队。
Mistral AI精选AI 评分8080 Mistral 发布 Voxtral 语音理解模型，24B 与 3B 双版本开源
Mistral AI 发布 Voxtral 语音理解模型，提供 24B 和 3B 两个版本，均以 Apache 2.0 许可开源并上线 API。模型支持 32k token 上下文，可处理最长 30 分钟音频转写或 40 分钟音频理解，具备内置问答与摘要、多语言自动检测和语音直接触发函数调用等能力。
推荐理由：Mistral 开源两款语音理解模型，给出与 Whisper、GPT-4o mini、ElevenLabs 的对比和 API 定价，便于评估落地成本。
Mistral AI精选AI 评分7272 Mistral AI 发布 Devstral Medium 并升级 Devstral Small 1.1
Mistral AI 与 All Hands AI 合作发布 Devstral Medium，并升级 Devstral Small 1.1。
推荐理由：Mistral 与 All Hands AI 联合发布两款编码智能体模型，给出了 SWE-Bench Verified 分数、开源许可和 API 定价，便于对比现有方案。