推荐理由：Mamba 架构在代码场景的落地样本，线性时间推理与 256k token 检索测试给出了与 Transformer 路线对比的具体参照。

推荐理由：原文公开了 SmolLM 三个尺寸的训练数据配方与评测对比，可据此判断小模型在端侧的表现边界。

推荐理由：梳理 Gemma 2 的滑窗注意力、软截断与蒸馏等训练细节，并给出与 Llama 3、Qwen 1.5 的基准对比。

推荐理由：原文给出 SD3 Medium 的架构变化与 Diffusers 集成细节，读者可据此判断显存占用与推理速度的取舍。

推荐理由：Mistral 首个代码模型给出了 22B 参数、32k 上下文与多语言基准对比，可据此判断其代码补全定位。

推荐理由：TII 公布 Falcon 2 的 11B LLM 与 VLM 训练细节和评测数据，可对照同尺寸开源模型看性能与许可条件。

推荐理由：原文给出 PaliGemma 的架构、三种 checkpoint 与微调代码，读者可据此判断它适合哪些视觉语言任务。

推荐理由：OpenAI 公布新旗舰模型 GPT-4o，可在音频、视觉与文本间实时推理，读者可据此了解其多模态能力定位。

推荐理由：OpenAI 发布新旗舰模型 GPT-4o，并同步扩大 ChatGPT 免费用户可用能力范围。

推荐理由：OpenAI 发布 GPT-4o，并让 ChatGPT 免费用户获得更多能力，可据此了解模型与免费策略的同步变化。

推荐理由：Meta 发布 Llama 3 并同步接入 Hugging Face 生态，读者可了解新分词器、GQA 与 15T token 训练带来的变化。

推荐理由：原文给出 Mixtral 8x22B 的激活参数、上下文窗口与开源许可，读者可据此判断其成本与部署取舍。

推荐理由：8B 参数、Apache 2.0 开源，并给出与更大模型的基准对比和微调入口，便于判断多模态选型。

推荐理由：Google 与 Hugging Face 联合发布三个开源代码模型，读者可对照 HumanEval 等基准数据判断其与同尺寸模型的差距。

推荐理由：BigCode 公开了 StarCoder2 三个尺寸的模型、训练数据与训练代码，读者可据此了解开源代码模型的数据规模与开放程度。

推荐理由：Mistral 官方给出新旗舰模型的基准对比与 Azure 分发路径，可据此判断其 API 生态位置。

推荐理由：官方给出 Mixtral 8x7B 的稀疏 MoE 架构与推理成本数据，可据此判断开源模型的性价比取舍。

推荐理由：OpenAI 在 DevDay 集中公布模型与开发者产品更新，可据此了解其当时的产品线变化。

推荐理由：Mistral AI 首次公开其开源路线与 Mistral 7B 的基准表现，可了解开放权重模型当时的性能位置。

推荐理由：Mistral 7B 以 Apache 2.0 开源并给出与 Llama 2 系列的逐项对比，读者可据此判断小参数模型的性价比位置。

推荐理由：OpenAI 官方给出 GPT-4 的多模态输入能力与基准表现，读者可据此了解这一代模型的定位。

推荐理由：OpenAI 官方公布 GPT-4 的写作能力，读者可据此了解它在创作与技术写作任务上的定位。