开源生态

推荐理由：文章梳理 Granite 4.2 从 Granite-4.1 基础模型、SFT 到多阶段 RL 的训练链路，并说明 8B 与 30B 如何在真实环境中通过 Agentic RL 学会工具操作。

推荐理由：文章通过图像编辑、媒体工作室、数据集分析和 ZeroGPU 动画示例，展示 gr.Workflow 如何把可视化调试、API 调用与部署整合到同一张工作流图中。

推荐理由：文章同时给出 H100 与 M4 Max 的吞吐对比、function-calling 延迟变化及 llama.cpp 和 SGLang 接入方式，便于评估 DSpark 在云端与端侧部署中的收益。

推荐理由：文章用 AppWorld 上八个模型的对比，说明智能体记忆应按模型能力校准，并展示完整指南集与精选检索在效果和 token 成本上的差异。

推荐理由：文章将 MultiVectorEncoder 的 late interaction 原理、索引开销与接入方式放在一起，并覆盖文本和视觉文档检索等实际场景。

推荐理由：报告将模型下载、点赞与衍生仓库分开观察，呈现中国大模型、Qwen生态和智能体流量在开放模型体系中的不同位置。

推荐理由：这篇复盘以大规模复现数据呈现智能体审查论文的能力边界，并具体说明人类如何通过设定环境和校验关键假设提升结果可靠性。

推荐理由：OlmoEarth Studio 将地球观测数据嵌入向量导出为可共享的 COG，并展示了从相似性搜索到变化检测的具体用法。

推荐理由：文章把区域合规、服务可靠性和模型选择放在同一平台框架中，具体呈现了企业获得统一基础设施的路径。

推荐理由：文章将开放权重、12 种语言支持、NIM 部署和延迟数据放在同一框架中，便于评估多语言语音智能体的落地路径。

推荐理由：文章将离线 top-100 logits 缓存与 fused chunked KL loss 结合，展示其如何降低长上下文蒸馏的显存和训练成本。

推荐理由：文章既交代 Muse Glimmer 的 30B 架构与开源许可，也提供本地部署、推理加速和智能体接入的可复用路径。

推荐理由：原文同时给出 WeatherNext 的预测增益、训练数据规模和开源范围，便于了解 AI 气象模型如何支持更早的飓风风险研判。

推荐理由：文章展示了统一环境服务如何复用训练与评估基础设施，并用三个领域配方和具体基准结果呈现小型开放权重模型的实践路径。

推荐理由：文章展示了如何把 CUDA 内核中的优化经验结构化迁移到 MLX，并以 Attention 和 Mamba SSM 实测说明翻译层对 Apple Silicon 性能的影响。

推荐理由：文章展示了从世界模型蒸馏到实时闭环模拟的技术路径，并给出手术机器人策略训练与评估的具体应用方向。

推荐理由：文章按时间还原了从评测沙箱逃逸、数据处理器注入到集群横向移动的主要链路，并结合修复措施说明智能体攻击对检测与隔离提出的具体压力。

推荐理由：文章给出原生加载、量化工具链和硬件支持范围，并用基准数据呈现 Nunchaku Lite 的显存与速度变化。

推荐理由：文章清晰展示了如何用低成本手持设备采集操作示范，并通过浏览器处理为可训练的机器人数据集。

推荐理由：文章同时拆解了 Inkling 的 MoE、混合注意力与多模态输入架构，并给出不同量化版本的显存需求和部署路径，便于评估落地成本。