PP-OCRv6 上线 Hugging Face：1.5M 到 34.5M 参数、支持 50 种语言
PaddleOCR 发布新一代通用 OCR 模型家族 PP-OCRv6，已在 Hugging Face 上线，提供 tiny、small、medium 三档，参数量从 1.5M 到 34.5M，其中 small 和 medium 支持 50 种语言。
推荐理由：原文给出三档模型参数、检测与识别指标及多后端接入方式，便于按部署场景选型。
开源生态
全部主题开源模型、框架与仓库动态：权重开放、社区项目爆火、开源与闭源的力量消长。
最新精选
Hugging Face Blog精选AI 评分
如何用本地模型免费分诊 OpenClaw 仓库的 Issue 和 PR
Hugging Face 博客分享用本地模型在智能体框架中对 OpenClaw 仓库的 Issue 和 PR 做分类分诊，实现近乎实时的通知且无需云端模型配额。
推荐理由：原文给出本地模型做 PR/Issue 分类的完整架构与 330 行评测数据，可迁移到其他高吞吐分诊场景。
Hugging Face 发布 agent-eval：用自有工具链评测开源模型的智能体能力
Hugging Face 发布 agent-eval 评测工具，以 transformers 为案例，在模型 × 版本 × 任务三个维度上测量智能体完成任务所需的轮次、token 和错误率，而非只看最终答案。
推荐理由：原文给出了一套可复用的智能体工具评测方法，并展示同一改动如何在大模型与小模型上产生相反效果。
用 Strands Agents 和 LeRobot 从 Hugging Face Hub 走到机器人硬件
AWS 开源 SDK Strands Robots 将 LeRobot 栈封装为 AgentTools，让一个 Strands 智能体在单次循环中完成从 Hub 数据集到实体机器人的流程。
推荐理由：AWS 团队给出从 Hub 数据集到实体机器人的完整五步流程，可据此理解智能体如何编排 LeRobot 工具链。
智谱发布 GLM-5.2：面向长程任务，支持 1M token 上下文与 MIT 开源
智谱发布旗舰模型 GLM-5.2，面向长程任务，首次提供稳定的 1M token 上下文，并以 MIT 许可开源。新架构 IndexShare 让每 4 层稀疏注意力共享同一 indexer，在 1M 上下文下将每 token FLOPs 降低 2.9×，改进后的 MTP 层使投机解码接受长度最高提升 20%。
推荐理由：GLM-5.2 把 1M 上下文与多档思考强度放进开源许可，读者可据此判断长程编码智能体的选型空间。
Hugging Face 发布 Agentic Resource Discovery 参考实现 Discover Tool
Hugging Face 发布 Agentic Resource Discovery（ARD）规范的参考实现 Discover Tool，让智能体在运行时按自然语言搜索能力，而不再依赖预先安装。
推荐理由：Hugging Face 给出 ARD 规范的参考实现与 CLI、REST、MCP 三种调用入口，可据此判断智能体能力发现如何从预装目录转向运行时检索。
Google DeepMind精选AI 评分Google DeepMind 发布 DiffusionGemma：文本扩散模型，推理速度最高提升 4 倍
Google DeepMind 发布实验性开源模型 DiffusionGemma，采用文本扩散方式并行生成整块文本，在专用 GPU 上推理速度最高提升 4 倍。
推荐理由：官方给出 26B MoE 文本扩散模型的速度数据与硬件门槛，可据此判断本地交互式推理的可行边界。
智能体如何串联两个 Hugging Face Space 搭建 3D 巴黎画廊
作者让编码智能体通过调用两个 Hugging Face Space 搭建了一个展示巴黎地标的 3D 高斯泼溅网站，全程未手动使用图像生成或 3D 重建工具。每个 Gradio Space 都暴露一份 agents.md，列出 schema URL、调用与轮询模板、文件上传方式和 HF_TOKEN 鉴权提示，智能体据此即可端到端驱动 Space。
推荐理由：作者用两个 Space 串起图像生成到 3D 高斯泼溅的完整流程，展示了 agents.md 如何让智能体直接调用模型。
Hugging Face 宣布 OpenEnv 转为委员会共管，定位智能体 RL 环境协议层
Hugging Face 宣布 OpenEnv 改由委员会协调，成员包括 Meta-PyTorch、Reflection、Unsloth、Modal、Prime Intellect、Nvidia、Mercor、Fleet AI、Microsoft、Hugging Face 和 RadixArk，项目迁至 huggingface/OpenEnv。
推荐理由：OpenEnv 从单一项目转为多方共管的协议层，读者可据此了解开源智能体 RL 环境的协作方式与接入路径。
NVIDIA 发布 Nemotron 3.5 Content Safety 多模态安全模型
NVIDIA 发布 Nemotron 3.5 Content Safety，基于 Gemma 3 4B IT 微调，把多模态输入、多语言覆盖、自定义企业策略执行和可审计推理统一到一次推理调用中。
推荐理由：NVIDIA 把多模态、多语言、自定义策略与可审计推理合并进一次推理调用，并公开训练数据集。
H Company 发布 Holo3.1 系列 Computer Use Agent 模型
H Company 发布 Holo3.1 系列 Computer Use Agent 模型，基于 Qwen 家族，覆盖 0.8B、4B、9B 和 35B-A3B 四种尺寸，并首次提供 FP8、Q4 GGUF 和 NVFP4 量化权重。
推荐理由：原文给出跨环境、跨框架与本地量化部署的具体数据，可据此判断端侧 Computer Use Agent 的落地条件。
JetBrains 发布 12B MoE 模型 Mellum2，Apache 2.0 开源
JetBrains 发布 Mellum2，一个从零训练、覆盖自然语言与代码的 12B 参数 MoE 模型，每个 token 仅激活 2.5B 参数，以 Apache 2.0 许可开源。官方称其在相近规模模型中基准表现有竞争力，推理速度超过 2 倍，可用于路由、RAG、摘要、子智能体和高吞吐编码场景。模型已在 Hugging Face 提供下载，技术报告发布在 arXiv（2605.31268）。
推荐理由：JetBrains 开源 12B MoE 模型，每 token 仅激活 2.5B 参数，读者可据此判断它在多模型系统中的定位。
Hugging Face 在 TRL 中实现增量权重同步，异步 RL 每步传输量降至 20-35MB
Hugging Face 在 TRL 中落地了增量权重同步（Delta Weight Sync）：只把两次 RL 优化步之间真正变化的 bf16 权重编码成稀疏 safetensors 文件，上传到 Hugging Face Bucket，再由 vLLM 拉取应用。
推荐理由：TRL 的稀疏增量权重同步把异步 RL 每步传输量压到原来的百分之几，读者可据此判断跨集群训练的成本边界。
Granite 4.1 LLM 是如何训练的：IBM 公开数据工程、预训练与强化学习全流程
IBM Granite 团队发布技术文章，详解 Granite 4.1 系列稠密 LLM（3B、8B、30B）的训练流程：约 15T tokens 五阶段预训练，上下文窗口经长上下文扩展至 512K tokens，随后用约 4.1M 条高质量样本做 SFT，并采用 on-policy GRPO 配合 DAPO loss 的多阶段强化学习。
推荐理由：Granite 4.1 团队公开了从数据配比到多阶段 RL 的完整训练细节，可对照其 8B 稠密模型追平 32B MoE 的结论。
NVIDIA 发布 Nemotron 3 Nano Omni 全模态理解模型
NVIDIA 发布 Nemotron 3 Nano Omni，一款面向文档分析、多图推理、语音识别、长音视频理解与智能体电脑操作的全模态理解模型，在 MMlongbench-Doc、OCRBenchV2、WorldSense、DailyOmni、VoiceBench 等基准上取得领先成绩。
推荐理由：原文给出架构、训练配方与多模态基准对比，可据此判断开源全模态模型在文档、音视频与GUI任务上的位置。
DeepSeek-V4 发布：百万 token 上下文面向智能体任务
DeepSeek 发布 V4，两个 MoE 检查点上线 Hub：DeepSeek-V4-Pro 为 1.6T 总参数、49B 激活，DeepSeek-V4-Flash 为 284B 总参数、13B 激活，均支持 1M token 上下文窗口。
推荐理由：DeepSeek-V4 把长上下文推理成本压到 V3.2 的一成量级，读者可据此判断智能体长任务工作流的可行性。
OpenAI News精选AI 评分 OpenAI 发布开源权重模型 Privacy Filter，用于检测和脱敏文本中的 PII
OpenAI 发布 Privacy Filter，这是一款开放权重模型，用于检测和脱敏文本中的个人身份信息（PII），官方称其准确率达到 state-of-the-art 水平。
推荐理由：OpenAI 开源了一款用于识别和脱敏文本中个人身份信息的模型，可了解其在 PII 检测上的定位。
- Google DeepMind精选AI 评分
Google DeepMind 发布 Gemma 4 开源模型家族，含 26B MoE 与 31B Dense 四种尺寸
Google DeepMind 发布 Gemma 4 开源模型家族，包含 E2B、E4B、26B MoE 和 31B Dense 四种尺寸，采用 Apache 2.0 许可。
推荐理由：Gemma 4 给出四种尺寸、Apache 2.0 许可与完整工具链支持，可据此判断开源模型在端侧与本地部署上的能力边界。
Mistral AI精选AI 评分
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 系列的下一个重要版本，也是 Mistral 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中的模型，采用 Apache 2.0 许可。
推荐理由：Mistral Small 4 把推理、多模态与编码智能体能力合并进单一开源模型，读者可据此判断统一模型对部署选型的影响。
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 的 agent 模式与免费 API 端点 labs-leanstral-2603。
推荐理由：官方给出 Leanstral 的开放权重、免费 API 与 FLTEval 基准，读者可据此判断形式化验证编码智能体的成本与可用性。