跳到正文
#开源/仓库
  1. Hugging Face Blog65

    Ai2 发布 HiRO-ACEv2：以约 1/300 成本生成全球 3 km 极端天气数据

    Ai2 发布 HiRO-ACE 系统的新版本 HiRO-ACEv2，核心是新的降尺度模型 HiROv2，可同时预测多个高分辨率气象场，并提升了对极端事件的预测能力。

    推荐理由：HiRO-ACEv2 把全球 3 km 气候数据的生成成本降到 X-SHiELD 的约 1/300，并给出极端天气统计误差与适用边界。

  1. Hugging Face Blog71

    Liquid AI 发布 LFM2.5-24B-A2B 端侧推理智能体模型

    Liquid AI 发布 LFM2.5-24B-A2B，一个 24B 参数、每 token 仅 2B 激活参数的推理模型，面向端侧私有智能体，会先思考再作答并调用工具。

    推荐理由：LFM2.5-24B-A2B 以 2B 激活参数对标更大 MoE，并给出端侧与 GPU 推理速度，可据此判断本地智能体的可行性。

  1. NVIDIA Blog80

    NVIDIA RTX Spark 笔记本上市，本地 AI 智能体与创作工具生态同步就绪

    NVIDIA 宣布 RTX Spark 笔记本将于 10 月 16 日上市，最高 128GB 统一内存和 1 petaflop AI 算力，首发覆盖数百款游戏与 130 多个加速应用。

    推荐理由：原文列出 RTX Spark 首发时本地智能体、创作与开发工具的适配清单，可据此判断本地 AI 工作流的落地程度。

  1. Microsoft Research71

    微软开源 Agent Lightning v1.0：3500 行代码的轻量智能体 RL 框架

    微软研究院开源 Agent Lightning v1.0，一个约 3500 行代码的轻量智能体强化学习框架，提出 Harnessed Agentic RL 范式，让部署时使用的 agent harness 直接参与训练，无需在训练框架内重新实现智能体。

    推荐理由：微软开源 3500 行代码的智能体 RL 框架，读者可了解如何让部署用的 harness 直接参与训练。

  1. Hugging Face Blog71

    Nemotron 微调后在 IOI 2026 与 IMO 2026 均达金牌水平

    英伟达团队从 Nemotron 3 出发，用 SFT、RL 和生成-验证-改进的推理循环做领域微调，在 IOI 2026 与 IMO 2026 两个竞赛上均达到金牌水平。

    推荐理由：原文给出了从 Nemotron 3 微调到 IOI、IMO 金牌级成绩的完整配方，可看数据、训练与推理循环如何配合。

  2. Google DeepMind71

    Google DeepMind 发布 EmbeddingGemma 2 开源多模态嵌入模型

    Google DeepMind 发布 EmbeddingGemma 2，基于 Gemma 4 架构、740M 参数，在 Apache 2.0 许可下开源，可把文本、图像、音频和视频映射到统一嵌入空间。

    推荐理由：官方给出 740M 参数、模块化编码器与端侧内存占用，可据此判断本地多模态检索的落地成本。

  1. Mistral AI80

    Mistral 发布 Mistral Large 4 公开预览，1 万亿参数多模态模型

    Mistral 推出 Mistral Large 4 公开预览，这是一个 1 万亿参数、520 亿激活参数的 natively 多模态模型，可在 Mistral Studio 试用预览 API，权重将于本月底发布。

    推荐理由：Mistral 公布 1 万亿参数多模态模型的公开预览与开源权重计划，可据此判断开源阵营的前沿能力位置。

  1. Google DeepMind71

    Google DeepMind 推出 SynthID Bio，为 AI 生成蛋白质嵌入水印

    Google DeepMind 发布 SynthID Bio，将水印技术引入合成生物学，把不可感知的签名直接嵌入生物代码，使水印在数字模型和合成出的实体蛋白质上均可验证，同时保持其生物功能。

    推荐理由：SynthID 水印从图像扩展到合成生物，读者可了解其在 DNA 合成筛查与数据库标注中的验证思路。

  1. Microsoft Research62

    微软研究院：把物理 AI 推理卸载出机器人可提升任务成功率与续航

    微软研究院对移动操作机器人负载做了系统性测量，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：微软研究院对机器人推理负载的系统性测量，给出了端侧 GPU 与卸载到边缘或云端的性能与续航对比数据。

  1. Berkeley AI Research62

    从 CUDA 到 MLX：K-Search 如何把内核优化经验带到 Apple Silicon

    Berkeley AI Research 与 IBM Research 将进化式内核搜索框架 K-Search 扩展到 MLX 后端，并加入结构化的 CUDA 到 MLX 翻译层，让已有 CUDA 内核经验迁移到 Apple Silicon。

    推荐理由：原文给出跨平台内核迁移的具体方法与实测数字，可了解 CUDA 经验迁移到 Apple Silicon 的可行路径。

已经到底了