Hugging Face 在 Diffusers 中新增 Nunchaku Lite 集成路径，可像普通 Diffusers 模型一样用 from_pretrained() 加载 Nunchaku SVDQuant 4-bit（W4A4）检查点，无需单独推理引擎或本地 CUDA 编译。
推荐理由：官方宣布 Diffusers 原生支持 Nunchaku 4-bit 推理，附实测数据和自己量化新架构的完整工作流。
Hugging Face 旗下 Pollen Robotics 发布开源低成本系统 Grabette，用手持夹爪即可录制操作演示并自动生成机器人可用数据集，无需真实机器人或遥操作设备。
Thinking Machines 在 Hugging Face 发布开源多模态模型 Inkling，总计 975B 参数、激活 41B 的 MoE 架构，原生接受图像、文本和音频输入，支持 1M 上下文，训练数据为 45 万亿 token。
推荐理由：原文给出 Inkling 与 Inkling-Small 的架构细节、部署配置和多份基准数字，可帮助读者评估其在多模态推理场景的可用性。
Hugging Face 宣布 vLLM 的 transformers 建模后端在多个 LLM 架构上已达到甚至超过 vLLM 手写原生实现的推理速度。
推荐理由：官方给出三组 Qwen3 对比基准和可复现脚本，读者可据此判断是否直接切换到 transformers 后端省去移植成本。
Hugging Face 与 Amazon SageMaker AI 推出深度链接集成，开发者在 Hugging Face 模型页点击 “Customize on SageMaker AI” 或 “Deploy on SageMaker AI”，即可一键进入 SageMaker Studio 的微调或端点部署工作流，模型已预加载。
Microsoft 在 Build 2026 上宣布 Hugging Face models on Foundry，一个每周更新的精选开放权重模型目录，可一键部署到 Foundry Managed Compute 托管 GPU 平台。
Hugging Face 发布 LeRobot v0.6.0，引入 VLA-JEPA、LingBot-VA、FastWAM 等世界模型策略，新增 GR00T N1.7、MolmoAct2、EO-1、Multitask DiT、EVO1 等 VLA，以及统一奖励模型 API（Robometer、TOPReward）。
推荐理由：官方发布说明完整列出世界模型策略、奖励模型、评测基准与部署工具的具体变化，读者可据此评估是否升级和如何用于自己的机器人训练流程。
Photoroom 发布 PRX 系列博客第 4 篇，公开 7B 文生图模型的预训练数据管线：混合公开与内部数据集，用 VLM 重标注全部图片，转成 MDS 流式语料。
Hugging Face 发布 🤗 Kernels 项目重大更新，几乎重新设计了整个项目。Hub 新增 kernel 仓库类型；安全方面引入可信发布者机制（默认仅加载可信发布者的 kernel。
Mistral 发布 Apache-2.0 开源的 Leanstral 1.5，总参数 119B、激活 6B，专攻 Lean 4 形式化证明。模型饱和 miniF2F，解出 PutnamBench 587/672 题，在 FATE-H 87%、FATE-X 34% 达到新 SOTA，成本约每题 $4。
推荐理由：官方给出了完整训练流程、基准数字和开源获取方式，读者可以据此评估它在 Lean 4 形式化证明上的实际可用性。
UC Berkeley BAIR 实验室发布 2026 届博士生毕业展示，研究方向涵盖机器人与具身智能、LLM 与推理、计算机视觉、生成模型、AI 安全及 AI for Science 等领域。
Hugging Face 与 Cerebras 发布一个模块化、开源的实时语音对话（speech-to-speech）流水线，用 Cerebras 的高速推理解决语言模型响应延迟瓶颈。
推荐理由：原文给出了完整开放的级联语音对话架构和各层组件，开发者可以照此搭建或替换自己的实时语音 AI 流水线。
Google Research 发布面向表格数据分类与回归的基础模型 TabFM，将表格预测建模为上下文学习问题，无需手动训练、调参和特征工程，单次前向传播即可对未见表格生成预测。
Every Eval Ever（EEE）与 Hugging Face Community Evals 实现互通，EEE 结果可经转换器同步到 Hub 模型页和基准排行榜，并带来源徽章回链完整记录。
Google DeepMind 发布开源实验模型 DiffusionGemma，采用 26B 总参数、3.8B 激活的 MoE 扩散架构，在专用 GPU 上文本生成最高提速 4 倍，单块 NVIDIA H100 超过 1000 tokens/s，RTX 5090 超过 700 tokens/s。
推荐理由：官方给出扩散文本生成的速度数据、显存占用与质量取舍，适合评估本地交互场景的落地条件。
Google DeepMind 发布 Gemma 4 12B，可在 16GB 内存或显存的笔记本本地运行，性能接近其 26B MoE 模型但内存占用不足一半。该模型采用无编码器统一架构，视觉与音频输入直接进入 LLM 主干，是首个支持原生音频输入的中等规模 Gemma 模型，以 Apache 2.0 许可发布，并同步推出官方 Skills 仓库。
推荐理由：原文来自官方发布，给出架构细节、内存门槛和下载入口，可帮助读者评估在本地设备运行多模态模型的可行性。
Mistral AI 发布 Search Toolkit 公开预览版，一个用于构建 AI 应用生产级搜索管线的可组合开源框架。
Mistral 发布 128B 开源权重旗舰模型 Mistral Medium 3.5（256k 上下文窗口，SWE-Bench Verified 77.6%），在 Hugging Face 以修改版 MIT 许可发布，API 定价为每百万输入 token $1.5、输出 $7.5。
推荐理由：官方披露了新模型的参数量、上下文窗口和基准成绩，以及云端异步编码智能体的具体工作方式。
Google DeepMind 发布 Gemma 4 开源模型，称其为迄今最智能的开放模型，采用 Apache 2.0 许可，提供 E2B、E4B、26B MoE 和 31B Dense 四种尺寸。
推荐理由：官方发布给出四个尺寸、榜单名次、上下文长度与部署路径等具体信息，读者可据此评估选型和端侧部署方案。
Mistral 发布 Mistral Small 4，是首个将 Magistral 推理、Pixtral 多模态和 Devstral 智能体编码能力统一到单一模型的小型旗舰，采用 Apache 2.0 许可开源。
推荐理由：原文给出架构参数、reasoning_effort 用法和与 GPT-OSS 120B 的输出效率对比，读者可据此评估部署成本与选型。
Mistral 发布 Leanstral，一个专为 Lean 4 证明助手设计的开源代码智能体模型，采用稀疏架构（6B 激活参数，Leanstral-120B-A6B），权重以 Apache 2.0 许可开放，并可通过 Mistral Vibe 和 labs-leanstral-2603 免费或近免费 API 使用。
Mistral 基于其开源编程助手 Vibe 构建了一个自主智能体，可读取 Rails 源文件、生成或改进 RSpec 测试，并通过 RuboCop 和 SimpleCov 工具在 CI/CD 流水线中无人工干预地并行运行。
推荐理由：原文给出可复用的 AGENTS.md、分文件类型 skills 和强制执行测试的做法，以及质量分从 0.49 升到 0.74 的实验数据。
Mistral 发布 Voxtral Transcribe 2，包含 Voxtral Mini Transcribe V2 批量转写模型和 Voxtral Realtime 实时模型。
推荐理由：官方给出两款语音转写模型的延迟、价格、词错率与开源权重信息，读者可据此评估语音转写方案选型。
Mistral 发布开源编码模型 Devstral 2（123B，修改版 MIT 协议）与 Devstral Small 2（24B，Apache 2.0），SWE-bench Verified 分别为 72.2% 和 68.0%，支持 256K 上下文窗口。
推荐理由：官方发布给出 SWE-bench Verified 分数、API 定价和部署门槛，可据此评估这款开源编码模型的实际性价比。
Mistral 发布新一代模型系列 Mistral 3，包含 Mistral Large 3（41B 激活、675B 总参数的 MoE）以及 3B、8B、14B 三档 Ministral 3 模型，全部以 Apache 2.0 许可开源。
推荐理由：官方一次放出 675B MoE 旗舰与三档小模型，全部 Apache 2.0 开源并给出部署路径，适合评估开源选型空间。
Berkeley AI Research 介绍了一种基于“分而治之”的 off-policy RL 价值学习算法，替代 TD learning。传统 TD learning 的 Bellman 递归会使误差随长 horizon 累积，TD-n 只能按常数因子减少递归次数，而分而治之可将递归次数按对数级降低，且无需调超参数 n。
Mistral AI 宣布完成 17 亿欧元 Series C 融资，投后估值 117 亿欧元，由 ASML 领投并建立战略合作伙伴关系。
推荐理由：Mistral AI 官方宣布 Series C 融资细节，读者可了解估值规模与 ASML 战略合作的具体方向。
Mistral 发布 Voxtral 语音理解模型，提供 24B 生产级和 3B 本地/端侧两个版本，均以 Apache 2.0 许可开源，并可通过 API 调用，价格低至 $0.001 每分钟。
推荐理由：官方发布给出了两个规格、许可、价格和基准结果，读者可以据此评估它在语音理解场景替代现有方案的可行性。
Mistral AI 与 All Hands AI 合作推出 Devstral Medium，并升级 Devstral Small 1.1。
Mistral AI 推出 AI for Citizens 协作计划，帮助各国政府和公共机构战略性地利用 AI 转型公共服务、催化创新并保障竞争力。该计划基于开放、协作、选择与自主原则，提供自托管、AI 数据中心、SaaS 与 serverless API 等部署选择，并保障数据主权与定制化研发。
Mistral AI 发布首个推理模型 Magistral，分为 24B 参数开源的 Magistral Small 和企业版 Magistral Medium。
推荐理由：官方公布两个版本的关键评测分数和开源许可，读者可以据此对比其在推理模型中的定位与可用部署方式。
Mistral AI 与 All Hands AI 合作发布面向软件工程任务的智能体模型 Devstral，以 Apache 2.0 许可开源。
推荐理由：官方给出了 SWE-Bench Verified 成绩、部署门槛和 API 定价，开源编码模型选型可据此对比。