重要进展，按时间持续更新
Mistral 发布 Mistral Large 4（Le Chonk）的开放权重，这是一个 1 万亿参数的原生多模态模型，在公开预览基础上继续做强化学习，编码与防御性网络安全能力提升。
在 Artificial Analysis Coding Agent Index 上得分 48%，与开源领先模型 GLM-5.3 基本持平，但每任务平均少用 47% token；Terminal-Bench 4.0 从预览版提升 13 个百分点至 41%，输出 token 减少 30%。
Mistral 公开了 1 万亿参数多模态模型的权重，并给出编码与安全基准及三种推理档位，可据此评估自托管成本。
NVIDIA 在 Hugging Face 和 ModelScope 上发布开源权重模型 Nemotron 3.5 Transcribe，把转写、说话人分离、翻译和音频问答整合进同一个 checkpoint。
它支持 40 种语言转写、31 种语言与英语互译、13 种语言的说话人分离，可处理最长 1 小时录音并标注最多 8 位说话人，开发者能用自然语言提示控制输出格式。官方称其在 Hugging Face Open ASR Leaderboard 英语开源权重模型中排名第一，平均 WER 为 5.33%，并在 Artificial Analysis 上以约 4B 激活参数取得 2.8% AA-WER。
读者可了解一个开源语音模型如何用提示词统一转写、说话人分离与翻译，以及配套数据管线和微调流程。
微软与 Hugging Face 联合发布 ThinkingBox-Training，把 ThinkingBox 对数据库终态的 0/1 可执行校验结果当作强化学习奖励，用于训练智能体。
用 GRPO 对 Qwen3.8-27B 训练 50 步后，在 507 项 ThinkingBox-Bench 任务各跑 20 次，pass@1 从 51.70% 升至 60.78%，20 次全部通过的任务从 38 个增至 107 个，而至少通过一次的任务从 453 个降至 446 个。训练池按离线策略相对难度筛选，只保留基础模型时对时错的任务，最终池含 187 个任务，基准任务未参与训练。
微软与 Hugging Face 把数据库终态校验直接当作强化学习奖励，并公开了任务筛选与训练代码，读者可据此判断这类奖励能否迁移到自己的智能体训练。
DeepSeek 开源了支撑 V4.1 Flash 的生产推理框架 DeepInfer，并同步发布 deepseek-recipe 处理层。
官方工程报告称单集群每天服务 155 万亿 tokens、输入缓存命中率 96%、首 token 平均 400 毫秒、生成速度 230 tokens/s（编码场景 300 tokens/s），非高峰时段每加速器小时收入 38 美元。该框架基于 vLLM 定制，支持分布式推理、投机解码、SWA Bounded Replay 和结构化输出，覆盖 NVIDIA 与华为昇腾平台。KV 缓存管理和负载均衡等组件因与内部基础设施耦合尚未完全开放，完整线上服务仍需自行补齐编排。
DeepSeek 开源生产推理栈并披露单集群吞吐与单卡收入，读者可据此了解其缓存分层与调度设计，以及哪些组件尚未开放。
NVIDIA 发布 Cosmos3-H-Dreams，一个基于 Cosmos 3 的实时生成式手术模拟器，可从视频与机器人运动学学习胆囊切除术场景，并响应器械动作实时生成画面。
模型基于 160 亿参数的 Cosmos3-H-Embodied-Nano，使用 28 个动作维度、832 x 480 视频和 10 Hz 对齐动作训练，经教师到学生蒸馏得到四步与两步两个检查点，配合 FlashDreams 流式推理可在单张 NVIDIA RTX PRO 6000 GPU 上交互运行。官方称这是首个基于临床胆囊切除术录像训练、支持实时运动学控制的生成式手术模拟器，并提供适配自有数据与控制器的方法。
读者可了解生成式手术模拟器如何从桌面任务走向临床场景，以及实时推理所需的蒸馏与缓存管理方法。
IBM Research 在 Hugging Face 博客介绍 ALTK-Evolve：它用 GPT-4.1 分析智能体在训练任务上的成功与失败轨迹，蒸馏出简短行为规则并追加到系统提示词，不更新模型权重。
在 τ²-bench 客服基准上，使用 stock ReAct 脚手架的 GPT-4.1 智能体在零售域 Pass^4 从 57.5% 升至 67.5%，平均准确率从 78.1% 升至 82.5%；航空域 Pass^4 从 35.0% 升至 45.0%。
读者可看到不更新模型权重、仅靠提示词层学习记忆，就能把普通客服智能体推到基准榜首的具体做法与代价。
DeepSeek 发布 V4.1-Flash-1017，已上线官网、App 和 API，并在 Hugging Face 与 ModelScope 开源模型权重。
相比前代 V4.1-Flash，新模型基准分数更高、完成任务更快、输出更短，DeepSeek 称其在性能与成本之间实现了帕累托改进。在 DeepSeek 自测中，该模型在多项编码和智能体任务上超过 Claude Opus 5、GPT 5.6-Sol、Kimi K3 和 GLM 5.3 等更大模型；DeepSWE 基准上最高得分 77.0%，平均每任务成本略低于 $0.20，低设置下约 $0.10 仍超过 72%，而前代得分 74.2%、每次运行约 $0.50。
DeepSeek 新版 Flash 在智能体编码任务上以更低单任务成本超过更大模型，同时开放内部搜索 API，读者可据此判断小模型替代空间。
美国新实验室 Reflection 在 Hugging Face 发布首个开源模型 Beam，采用 MoE 架构，总参数 501B、每 token 激活 23B，支持文本输入和 1M token 上下文窗口，以 Apache 2.0 许可开放，面向编码与智能体场景。
模型共 52 层，每层 256 个专家、每 token 路由 8 个，提供 BF16、FP8 和 NVFP4 三种 checkpoint，BF16 版本约 1 TB。
Reflection 首个开源模型 Beam 给出 501B 参数、1M 上下文与完整部署配方，可据此评估自托管前沿模型的硬件门槛。
IBM 发布 Granite Switch 4.1，Granite-Switch-4.1-8B 和 -30B 在同一个托管端点上支持自然语言对话、通用与专用决策以及语音转文字。
新版本加入通用决策 aLoRA、在安全决策任务上平均优于 Jev 1.13、Microsoft-Decision-1、GPT-Luna-Decisions 和 Clef-Flash 的 Guardian aLoRA，以及 OpenASR 排行榜上最快的 ASR 模型 Granite-Speech-5.0-Turbo-CTC。
Granite Switch 4.1 把决策适配器与语音识别合入单一端点，读者可据此判断多任务模型在显存与部署上的取舍。
Mistral 发布首个时间序列基础模型系列 Timestral，最大版本仅 209M 参数，在 GIFT-Eval、TIME 和 fev-bench 三个公开基准上均排名第一，参数量约为此前 SOTA 的三分之二。
该系列包含 5M、28M、123M 和 209M 四个尺寸，共享同一架构与训练配方，支持概率化多变量预测以及过去协变量和已知未来协变量。推理无需 GPU，在 8 线程标准服务器 CPU 上，用三周 15 分钟粒度历史预测未来一天，5M 模型耗时 10 ms，209M 模型耗时 140 ms。
时间序列基础模型首次进入通用预训练范式，读者可据此判断企业传感器与金融预测场景的落地门槛。
Meta 发布 Muse Spark Open 模型，称其是迄今能力最强的美国开源权重模型，也是同类中首个能在桌面端运行、需两台搭载最新 MLX 框架的 Apple M5 Ultra Mac Studio 的模型。
该模型为原生多模态模型，总参数量 8160 亿，Meta 称其擅长长周期任务、复杂软件工程和多步推理。Meta 与 Apple 此次合作发布并公开互相支持，Meta CEO Mark Zuckerberg 与 Apple 新任 CEO John Ternus 在 X 上互动，Meta 首席 AI 官 Alexandr Wang 对 Axios 表示两家公司已合作数月。
Meta 与 Apple 罕见联手，让 816B 参数开源模型能在两台 Mac Studio 上本地运行，可观察端侧大模型的部署边界。
Meta 发布开源权重模型 Muse Spark Open，采用混合专家架构，总参数约 816B、每 token 激活约 42B，上下文窗口最高 100 万 token，可输入文本、图像、音频和视频并输出文本。
该模型面向智能体编码训练，能读取代码库、编写和调试代码并调用工具，同时可处理截图、语音和录屏。模型提供 BF16 与 NVFP4 两种 checkpoint，BF16 约 1.5 TB，NVFP4 面向 NVIDIA Blackwell GPU；官方给出 transformers、llama.cpp、SGLang、vLLM、MLX 的部署配方，以及用 TRL 在 64 张 H100 上微调 LoRA 的示例。
Meta 开源 816B 多模态 MoE 模型，给出量化、部署与微调配方，可据此评估本地与云端落地成本。
Black Forest Labs 发布 FLUX.3 Image Klein，并在 Diffusers 中首日支持。
该模型用同一个模型完成文生图、多参考图生图和新增的布局控制，可在提示词中写入边界框指定画面各部分的摆放位置，或指定参考图中哪些部分需要移动。两个开放 checkpoint 已收录在 FLUX.3 Image Klein collection 中，蒸馏版默认 16 步、无需 CFG，基础版 50 步并支持 CFG。
FLUX.3 Image Klein 在 Diffusers 首日支持，读者可了解其布局控制能力与量化权重带来的显存门槛变化。
Ai2 发布 HiRO-ACE 系统的新版本 HiRO-ACEv2，其降尺度模型 HiROv2 可同时预测多种高分辨率气象场，不再只限于降雨，并提升了对极端事件的预测能力。
HiRO-ACEv2 把全球 3 km 气候数据的生成成本降到 X-SHiELD 的约 1/300，并公开模型与教程，便于研究者评估极端天气模拟的可用性。
Liquid AI 发布 d1 决策模型家族的两款开源权重模型 d1-3B 和实验性的 d1-omni-600M。
d1-3B 在 Decision Index 0.2.1 上得分 48.57，为 10B 以下最佳，支持文本与图像输入；d1-omni-600M 支持文本加图像或文本加音频，在七个公开数据集上均分 78.4，超过参数量四倍的 Decider 2B。
Liquid AI 开源两款端侧决策模型，给出决策质量、延迟与多模态输入的实测数据，便于判断端侧部署取舍。
微软研究院开源 Agent Lightning v1.0，这是一个约 3500 行代码的轻量智能体强化学习框架，提出 Harnessed Agentic RL 训练范式，让部署时使用的同一 agent harness 直接参与 RL 训练，无需在训练框架内重新实现智能体。
微软研究院开源 Agent Lightning v1.0，给出约 3500 行代码的完整智能体 RL 控制面与真实 harness 训练路径。
Google DeepMind 发布 EmbeddingGemma 2，基于 Gemma 4 架构、Apache 2.0 许可，740M 参数，原生将文本、图像、音频和视频映射到统一嵌入空间。
官方给出 740M 参数、模块化编码器与端侧内存占用等细节，可据此判断本地多模态检索的落地成本。
Google DeepMind 推出 SynthID Bio，把水印技术带入合成生物学，将不可感知的签名直接嵌入生物代码，使其在数字模型和合成出的实体蛋白质上都能被验证，同时保持生物功能。
SynthID 水印从图像扩展到合成生物，读者可了解其在蛋白质设计与 DNA 合成筛查中的验证思路。
微软研究院对移动操作机器人工作负载做了首次系统性测量，发现把物理 AI 推理从机器人本体 GPU 卸载到边缘或云端 GPU，能提升任务成功率、支持更大模型并延长续航。
微软研究院首次系统测量机器人本体推理与卸载推理的差距，给出任务成功率、电池续航和工具链的具体数据。
微软研究院在 Nature 发表逆向合成模型 RetroChimera，它结合 Transformer 模型 R-SMILES 2 与 GNN 模型 NeuralLoc，通过学习式集成对两者预测排序，在常见与罕见反应类别上均表现较强。
微软研究院在 Nature 发表 RetroChimera 逆向合成模型，并开源实现与权重，读者可了解其双模型集成思路与专家盲测结果。