用 HuggingFace ML-intern 以约 103 美元训练 6 个模型的实践与提示词方法
作者在 HuggingChat 中开启 ML-intern 模式，几天内用约 USD 103 的总算力成本训练并发布了 6 个模型，包括 0.8B 的 Qwen-Image 2.1 提示词重写器（CPU 可跑。
推荐理由：作者公开了七条完整提示词和预算、基线、冒烟测试三条可复用的提示词写法，读者可直接照搬到自己的微调项目。
#开源生态
#开源生态
Hugging Face Blog精选AI 评分
NVIDIA BlogAI 评分
NVIDIA 展示开发者如何用前沿 AI 智能体搭建 Omniverse 仿真应用
NVIDIA 官方博客展示了开发者如何用自然语言指令驱动 GPT-6 Astra 等前沿 AI 智能体，结合 Omniverse 库搭建仿真应用。
Liquid AI 开源 d1-3B 与 d1-omni-600M 端侧决策模型
Liquid AI 发布 d1 决策模型家族的两款开放权重模型 d1-3B 和 d1-omni-600M（实验版），在 Decision Index 0.2.1 上 d1-3B 得分 48.57，为 10B 以下最佳，超过 Decider 35B-A3B（47.11）。
推荐理由：原文给出决策指数得分与多设备延迟数据，读者可据此判断它在端侧结构化决策场景的可用性。
Microsoft Research精选AI 评分 Microsoft Research 开源 Agent Lightning v1.0 轻量智能体 RL 框架
Microsoft Research Asia 提出 Harnessed Agentic RL 训练范式并开源 Agent Lightning v1.0，约 3,500 行代码实现完整智能体 RL 控制面，让部署所用的 agent harness 直接参与强化学习，无需在训练框架中重新实现智能体。
推荐理由：原文给出了训练范式、架构与实测数据，读者可据此评估轻量框架能否降低智能体 RL 训练门槛。
AWS Machine Learning BlogAI 评分AWS 六周 AI 构建者计划：弥合业务人员的 AI 知识与能力差距
AWS 推出为期六周、每周约四小时的结构化计划，帮助非工程背景的业务人员动手构建 AI 智能体，90% 受访者表示希望获得动手构建 AI agent 的经验。
Nemotron 微调后在 IOI 2026 与 IMO 2026 双双达到金牌水平
NVIDIA 官方博客称，基于 Nemotron 3 用 SFT、RL 与反馈式推理特化的系统在 IOI 2026 与 IMO 2026 均达金牌水平：Nemotron-3-Ultra-CC 得 535.4/600，超过 361.12 的金牌线与人类最高分 498.27；IMO 系统得 30/42，超过官方金牌线 29。
推荐理由：原文给出从基座到数据再到推理循环的四步特化配方，读者可据此评估复现金牌级系统的成本与路径。
Mistral AI精选AI 评分
Mistral AI 公开预览 Mistral Large 4，月底开放权重
Mistral AI 宣布 Mistral Large 4（非正式代号 le Chonk）进入公开预览，可在 Mistral Studio 使用预览 API，权重将于本月底发布。
推荐理由：原文给出参数规模、开放权重时间表和多组基准成绩，读者可据此评估其与现有开源模型的差距。
电信运营商为何将 AI 战略建立在开放模型之上
NVIDIA 最新《State of AI in Telecommunications》报告显示，89% 的电信运营商受访者认为开源模型和软件对其公司 AI 战略很重要。
Hugging Face 推出 Open TTS Leaderboard：面向多语言 TTS 与声音克隆的可扩展评测
Hugging Face 发布 Open TTS Leaderboard，用客观指标评测开源多语言 TTS 与声音克隆模型，单模型评测耗时从数周投票缩短到数小时。
NVIDIA 发布 Kumo Tabular 表格基础模型，在四个基准排名第一
NVIDIA 发布开源表格基础模型 Kumo Tabular，给定带标签的表格行即可在单次前向传播中预测新行标签，无需训练、调参和特征工程，同时支持分类与回归。
推荐理由：原文给出模型规模、训练数据来源与四个基准排名，可据此判断表格基础模型相对梯度提升树路线的差异。
Mistral 在慕尼黑开设德国中心，推进工业 AI 与 Physics AI
Mistral 在慕尼黑开设德国中心，组建专注 Physics AI 与工业 AI 的研究团队，并计划到 2030 年建成 1 吉瓦欧洲算力。该中心将直接服务企业客户，已与 BMW 合作碰撞仿真与工程 AI、与 Siemens Energy 合作工业 AI 应用，并与慕尼黑工业大学（TUM）建立研究合作，利用其风洞设施开发汽车空气动力学数字孪生。
H公司发布 Holo4 系列智能体模型，含 27B 与 35B-A3B 两个版本
H公司发布 Holo4 系列智能体模型，包含 27B dense 与 35B-A3B Mixture of Experts 两个版本，均已上线 H Models API，权重以 BF16、FP8、NVFP4 和 4-bit GGUF 形式开源在 Hugging Face，同时发布 Holotron4 Nano。
推荐理由：Holo4 同时覆盖 GUI、代码、MCP 与 API 四种接口，并公开全部评测轨迹，可据此判断通用计算机操作智能体的路线取舍。
Hugging Face Hub 上线 RL Environments 专区
Hugging Face Hub 新增 RL Environments 专区，用带 rl-environment 标签的 dataset 仓库承载强化学习环境，不引入新仓库类型或注册表。
推荐理由：原文说明了用数据集标签替代独立注册表的做法，读者可据此判断它如何简化跨框架的环境复用。
GitHub Blog · AI & ML精选AI 评分GitHub Security Lab 发布 Fuzzing Taskflow 智能体，自动为 C/C++ 项目做模糊测试
GitHub Security Lab 发布 Fuzzing Taskflow，一个面向 C/C++ 项目的自主模糊测试流水线，只需指定 GitHub 仓库，它就会识别入口点、分析构建系统、编写 harness、运行 AFL++、读取覆盖率报告并改进 harness，最后对每个崩溃做定级并生成漏洞报告。
推荐理由：原文完整披露了 Fuzzing Taskflow 的流水线分层、覆盖反馈循环与崩溃定级机制，可据此判断 LLM 智能体在安全测试中的可迁移边界。
Liquid AI 发布 LFM2.5-VL-DSpark 草稿模型，加速视觉语言模型推理
Liquid AI 为视觉语言模型 LFM2.5-VL-3B 发布实验性 DSpark 草稿模型，解码速度在设备端最高提升 3.13x、H100 上最高 2.66x，端到端最高提升 2.62x 和 2.27x。该草稿模型约 280M 参数，仅增加 8.9% 参数量，首日支持 llama.cpp、MLX-VLM 和 SGLang，输出质量不变。
NVIDIA 与 Google DeepMind 等如何用开放科学为下一次大流行做准备
NVIDIA 联合 Google DeepMind、EMBL-EBI 等机构，通过 AlphaFold Database 开放发布 2800 多种病毒的蛋白质复合物预测 3D 结构，供全球科学家免费使用。
Microsoft Research精选AI 评分 微软研究：将物理AI推理卸载到边缘或云端可提升机器人性能与续航
微软研究院对移动机器人操作负载做系统性测量，发现把物理AI推理从机器人端侧GPU卸载到边缘或云端GPU，可提升任务成功率、支持更大模型并延长续航。
推荐理由：微软对移动操作机器人推理负载的系统性测量，给出端侧、边缘与云端算力取舍的量化依据。
NVIDIA 与合作伙伴在新加坡 AI Day 展示东南亚 AI 进展
NVIDIA 在新加坡 AI Day 上联合合作伙伴展示东南亚区域的 AI 落地进展，新加坡 HTX 正研究使用 NVIDIA Nemotron 3 Super 与 Nemotron 3 Nano Omni 模型推进公共安全 AI。
NVIDIA 发布 Isaac ROS 5.0，为机器人开发引入智能体工作流
NVIDIA 在加拿大多伦多 ROSCon 大会上发布 Isaac ROS 5.0，这是一套基于 ROS 的 GPU 加速软件包集合，新增智能体工作流与平台支持，支持 ROS Lyrical 和 Ubuntu 24.04。
推荐理由：Isaac ROS 5.0 把智能体工作流引入机器人开发，并给出可复用的技能与生态伙伴落地案例。
Transformers 支持直接运行 llama.cpp 的 GGUF 量化模型
Hugging Face 为 transformers 加入 GGUF 支持，可直接用 from_pretrained 加载 Hub 上的量化 checkpoint 并在本地生成，目前聚焦 Apple Silicon 与 Qwen3.5 架构。
推荐理由：原文给出在 transformers 中直接加载 GGUF 的用法与 Apple Silicon 上的实测对比，可据此判断本地推理工作流是否值得迁移。
oMLX 作者 Jun Kim 加入 Hugging Face，支持 MLX 社区
oMLX 创作者兼维护者 Jun Kim 加入 Hugging Face，全职投入 MLX 社区建设。oMLX 将保持 Apache 2.0 开源协议并由 Jun 继续领导，从副业项目转为有资金支持的长期项目，以获得更好的稳定性和更快的开发速度。Hugging Face 希望 oMLX 成为新想法的试验场，并推动 transformers 模型定义快速转化为可供不同引擎使用的 MLX 参考实现。
NVIDIA 埃及 AI 生态从赋能走向规模化落地
NVIDIA 在埃及大埃及博物馆举办 AI 生态活动，埃及的 NVIDIA Deep Learning Institute 学员规模一年内增长超十倍。Hassan Allam Utilities 与 A15 将开发新数据中心，投资约 4 亿美元；Cassava 与 Vodafone Egypt 宣布 AI factory 计划，通过 GPU-as-a-service 提供本地托管 AI 基础设施。
Hugging Face tokenizers v1：编码、解码与实测扩展性
Hugging Face 发布 tokenizers v1 候选版，输出与 v0.23 完全一致的 token ID，但速度常快数十倍。v1 将单个 crate 拆为 workspace，用 bitcannon 以 SIMD 位流替代正则做预分词，并引入无分配 merge 循环、线程本地 word cache 和原生多线程并行。
- GitHub Blog · AI & MLAI 评分
GitHub Podcast 拆解五大 AI 热梗：该不该读 AI 代码、RAG 已死、Skills 杀死 MCP？
GitHub Podcast 最新一期逐条拆解了五个 AI 热梗：AI 生成的代码仍需人来负责，只是审查力度应按风险分级；Skills 与 MCP 解决的是不同问题，前者是打包好的经验，后者是连接工具与数据的标准；RAG 并未消亡，它让模型从训练数据之外获取文档、内部知识和代码库上下文，检索不佳会浪费 token、拖慢速度并增加答案不完整的概率。
Mistral 与 Mozilla 合作，为 Firefox 浏览器带来开放、私密的多语言 AI
Mistral 与 Mozilla 达成合作，Firefox 的 AI 浏览助手 Smart Window（beta）现由 Mistral 模型驱动，率先面向法国和北美用户，英国和德国预计今年晚些时候跟进。双方称对话默认不保存在 Mozilla 服务器上，Mistral 同意零数据保留，并按地区语言、方言和文化语境微调模型。
Cloudera 与 Mistral 达成合作，将主权 AI 引入企业数据平台
Mistral 与 Cloudera 达成合作，将 Mistral 模型集成进 Cloudera 混合数据平台，企业可在私有云、公有云、本地及完全气隙环境中部署推理并保持控制权。企业还能在受控环境中用专有数据训练自有模型，基于开放权重拥有数据和由此产生的智能。Cloudera 平台上客户管理的数据规模达 30 exabytes。
Hugging Face Jobs 上用 LoRA 实现异步 GRPO：一个 Bucket、一个代理，无需 NCCL
TRL v1.14 的 AsyncGRPOTrainer 现已支持只训练并同步 LoRA adapter 到 vLLM，rank-1 adapter 仅几 MB，可通过挂载在三个 HF Jobs 上的 Storage Bucket 传输，无需 NCCL。
Hugging Face 用 Gradio Workflow 重建 AUTOMATIC1111 图像管线
Hugging Face 发布 Workflow1111，用 Gradio Workflow 把 AUTOMATIC1111 的大部分功能重建为一张包含 11 条媒体管线和 73 个节点的画布，覆盖文生图、高清修复、图生图、提示词矩阵、VLM 反推、检测生成 inpaint 掩码、ControlNet 风格标注器、背景移除、PNG Info 与图生视频。
推荐理由：原文完整拆解了 73 节点画布如何复刻 A1111 的十一类图像管线，可据此迁移到自建多模型工作流。
Google DeepMind精选AI 评分Google DeepMind 发布 AlphaGenome Atlas，覆盖人类基因组 90 亿个单核苷酸变异预测
Google DeepMind 发布 AlphaGenome Atlas，一个包含人类基因组 90 亿个单核苷酸变异效应预测的平台，规模达 1PB，超过 AlphaFold Database 的 30 倍。
推荐理由：读者可了解 AlphaGenome Atlas 如何把 90 亿个单核苷酸变异的预测结果做成可检索资源，以及 AVI 评分在编码与非编码区的用途。
Mistral 完成 30 亿欧元 D 轮融资，估值超 210 亿欧元
Mistral 宣布完成 30 亿欧元 D 轮融资，投后估值超过 210 亿欧元，由三星电子领投，Scaleup Europe Fund 与 PSG Equity 共同领投。
推荐理由：Mistral 完成 30 亿欧元 D 轮融资，读者可借此了解欧洲主权 AI 路线获得的资本与产业支持。
Google Research精选AI 评分Google Research 与 HHMI Janelia 发布雄性果蝇完整脑图谱
Google Research 与 HHMI Janelia 等机构在 Cell 发表雄性果蝇完整中枢神经系统连接组，包含超过 166,000 个神经元和 1.25 亿个突触连接，是迄今神经元数量最多的脑图谱。
推荐理由：读者可了解AI驱动的连接组学如何完成迄今神经元数量最多的脑图谱，以及它向脊椎动物扩展的路径。
Hugging Face 推出 NeoMME：高效多模态多语言编码器
Hugging Face 发布 NeoMME 系列多语言多模态编码器，含 260M 和 800M 两个版本，用单个双向 Transformer 直接处理文本 token 与原始图像 patch，无需独立视觉塔或因果语言模型，并以掩码离散扩散目标从零训练。
用 TRL 和 OpenEnv 训练编程模型画水彩
Hugging Face 博主用 TRL 和 OpenEnv 复现了 Surya Narreddi 让语言模型画水彩的思路，模型通过 p5.brush 写出约 150 行 JavaScript 作画，全部数据集、RL 环境、训练脚本与模型均已开源。
用 100 步 GRPO 微调 LFM2.5-350M，提升结构化输出合规率
一份公开的低成本方案用 TRL 的 GRPO 对 LFM2.5-350M 做微调，仅约 500 条样本、100 个训练步，在 IFStruct 基准上把通过率从 22.6% 提升到 29.7%。训练可在免费档 Colab 或 Kaggle GPU 上完成，评测则通过 llama.cpp 在本地 MacBook 上运行，代码已开源于 GitHub。
Hugging Face 发布 funes：为编码智能体提供本地持久记忆层
Hugging Face 发布 funes，一个面向 Claude Code、Codex、pi 和 Hermes 的持久记忆层，从本机已有会话构建索引，一条命令即可接入。
推荐理由：原文给出了跨 Claude Code、Codex 等智能体的本地记忆层设计与安装方式，读者可据此判断它能否替代会话压缩和手写交接。
Hugging Face 发布 @huggingface/kernels：207 个 WebGPU kernel 与 Fleet 基准工具
Hugging Face 发布 @huggingface/kernels，一个从 Hugging Face Hub 加载并运行优化 WebGPU kernel 的 JavaScript 库，同时上线 207 个 kernel 的初始集合，均以 Apache-2.0 许可发布在 webgpu-kernels 组织下。
推荐理由：原文给出 207 个 WebGPU kernel 的发布结构、加载方式与对比数据，可据此判断浏览器端推理的优化路径。
用 Sentence Transformers 训练与微调多向量嵌入模型
Sentence Transformers v6.0 新增 MultiVectorEncoder 模型类型，支持 ColBERT 式后期交互检索及其完整训练流程。
IBM 发布 Granite 4.2 推理模型家族：3B、8B、30B 三档
IBM Granite 团队发布 Granite 4.2，这是其首个稠密 decoder-only 推理模型家族，包含 3B、8B、30B 三个规模，全部以 Apache 2.0 许可开源。
Mistral 与 HUMAIN 宣布战略合作，推进沙特及中东主权 AI
Mistral 与 HUMAIN 宣布战略合作，覆盖 AI 基础设施、先进模型开发与 AI 解决方案部署，初期聚焦网络安全和语音，并计划开发阿拉伯语表现强劲的前沿模型，合作规模达数亿欧元。Mistral 将探索使用 HUMAIN 数据中心基础设施，双方还计划在沙特面向受监管行业制定联合市场策略，以满足对主权 AI 的需求。
Hugging Face 研究：语音识别模型存在基准优化问题
Hugging Face 发布研究，用共识分歧、掩蔽实体检索和拼写切换三项探针量化语音识别中的基准优化现象，评测 11 个开源 ASR 模型。结果显示，部分高分模型会在音频与参考文本矛盾时复现基准的错误转写，VoxPopuli 分析样本中约 40% 的片段被标记出参考错误，涉及约 3% 的参考词，这类模型复现错误参考的比例为 18–30%。
推荐理由：通过三项探针量化语音模型对基准的过拟合，并给出可复用的检测脚本与榜单入口。