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。
Hugging Face 宣布 transformers 建模后端在 vLLM 中已能为多种 LLM 架构达到或超过自定义 vLLM 实现的吞吐速度。该后端在 Qwen3-4B、Qwen3-32B 和 Qwen3-235B-A22B-FP8 三种部署配置中均达到或超过原生实现速度，并可通过 `--model-impl transformers` 启用。
推荐理由：文章通过 Qwen3 的 4B、32B 和 235B FP8 MoE 对比，说明该后端如何减少模型接入 vLLM 时的重复优化工作。
Microsoft Foundry 现已预览 Hugging Face Collection，提供每周刷新的开放权重模型目录，并支持一键部署到 Foundry Managed Compute。
推荐理由：文章具体说明了模型筛选、运行时构建、权重托管和自动补丁流程，便于理解开放模型进入企业部署时新增的运维层。
Hugging Face 发布 LeRobot v0.6.0，新增世界模型策略、奖励模型、六个仿真基准和 lerobot-rollout 部署 CLI。数据集支持深度、VLM 自动语言标注和自定义视频编码，数据加载最高提速约 2x；训练新增 FSDP 与 HF Jobs 云训练。
推荐理由：LeRobot v0.6.0 将世界模型策略、奖励模型、统一评测和部署采集串成闭环，并补充数据处理与云训练能力，便于理解机器人学习工作流的变化。
Hugging Face Storage 为 SkyPilot 新增 store: hf 后端，支持用 hf:// URL 将 Bucket 或 Hub 仓库挂载到任务中。
推荐理由：这项集成把模型和数据存储与 GPU 调度解耦，展示了跨云读取不收取 egress 费用及 Xet 增量去重的实际用法。
PRX 团队介绍了其图像生成模型的预训练数据流程：混合公共与内部数据集，使用 VLM 为图像生成长描述，并以 Lance 构建和探索数据、以 Mosaic Data Shards（MDS）供训练流式读取。团队在数亿级数据上采用 JPEG quality 92、分辨率与宽高比分桶、基于 caption 的过滤和感知哈希去重，并选择 Qwen3-VL-8B 作为 captioner。
推荐理由：文章把 PRX 的大规模图像训练数据流程拆成可复用环节，覆盖数据探索、VLM 重标注、格式转换、过滤去重及工程取舍。
Hugging Face 对 Kernels 项目进行了大幅重构，新增 Hub 的 kernel 仓库类型，并默认限制为可信发布者加载 kernel。项目加入代码签名支持，重构 kernels 与 kernel-builder CLI，还扩展了 Torch Stable ABI 和 Apache TVM FFI 支持。
推荐理由：文章集中说明 Kernels 在安全机制、框架兼容和智能体开发流程上的改动，便于开发者判断其对自定义 kernel 构建与分发的实际帮助。
Mistral AI 发布 Leanstral 1.5，这是一款采用 Apache-2.0 许可、119B 总参数且仅 6B active parameters 的模型，面向 Lean 4 形式化验证。
推荐理由：文章同时给出形式化数学基准、成本对比和真实代码验证案例，便于评估 Lean 4 证明智能体从题目求解到仓库级任务的实际能力。
Hugging Face 与 Cerebras 展示了将 Gemma 4 31B 用于实时语音到语音系统的方案。该开放管线依次使用 Nvidia 的 Parakeet 进行语音识别、在 Cerebras 上运行 Gemma 4 VLM 推理，并通过 Qwen3TTS 生成语音。相关架构已用于 Reachy Mini 机器人，配套代码仓库为 huggingface/speech-to-speech。
推荐理由：文章拆解了实时语音到语音管线的模块构成与协作方式，开发者可据此了解低延迟架构的实现路径和代码入口。
ScarfBench 是一个用于评估 AI 智能体执行企业 Java 跨框架迁移的开放基准，覆盖 Spring、Jakarta EE 和 Quarkus。基准包含 34 个应用、204 个迁移任务和约 151K 行代码，要求应用完成构建、部署并通过行为验证；当前最强智能体的行为成功率仍低于 10%。
推荐理由：ScarfBench把企业 Java 框架迁移拆成构建、部署和行为验证，揭示编码智能体在可编译代码之外仍受配置与运行环境依赖影响。
Hugging Face 宣布 Every Eval Ever（EEE）与 Community Evals 实现互通，评测结果可同步显示在模型页面和基准排行榜，并链接回完整的 EEE JSON 记录。
推荐理由：文章说明 EEE 与 Community Evals 如何互通，既把评测分数带到模型页面，也保留生成配置和复现记录等来源信息。
Google DeepMind 发布实验性开放模型 DiffusionGemma，采用文本扩散和并行生成，在专用 GPU 上实现最高 4 倍的文本生成速度。该 26B MoE 模型推理时激活 3.8B 参数，量化后可适配 18GB VRAM，并以 Apache 2.0 许可发布。DiffusionGemma 面向本地、低并发的交互式工作流，但整体输出质量低于标准 Gemma 4。
推荐理由：文章具体说明了 DiffusionGemma 在本地低并发推理中的速度优势，也交代了输出质量与标准 Gemma 4 的取舍。
Google Research 将用于 Flood Hub 的水文建模框架开源至 GitHub，供气象水文机构训练和本地化微调 AI 洪水预报模型。框架以 Python 和 PyTorch 实现，包含 LSTM 架构、训练流水线、交互式教程，并支持使用 Caravan 历史河流数据及地方数据。
推荐理由：原文同时交代了框架、训练数据、教程和实际接入案例，读者可据此了解 AI 洪水预报如何进入地方业务流程。
Mistral AI 发布 Mistral Small 4，将 Magistral 的推理、Pixtral 的多模态和 Devstral 的智能体编码能力整合到单一模型，并支持可配置的 reasoning_effort。
推荐理由：Mistral Small 4 将推理、多模态和智能体编码能力整合到单一模型，并给出性能、部署与开源许可信息，便于评估实际采用成本。
Mistral AI 发布 Mistral Small 4，并作为创始成员加入 NVIDIA Nemotron Coalition。Mistral AI 与 NVIDIA 计划结合模型架构、计算资源、开发工具和合成数据管线，共同开发开放的前沿 AI 模型。联盟首项计划是在 NVIDIA DGX Cloud 上训练基础模型，为即将推出的 NVIDIA Nemotron 4 家族提供开放基础。
推荐理由：材料把 Mistral AI 的模型发布与 NVIDIA Nemotron Coalition 的合作安排放在一起，交代了开放模型共建的参与方式和后续方向。
Mistral AI 发布 Leanstral-120B-A6B，面向 Lean 4 形式化仓库中的代码与证明任务，并以 Apache 2.0 许可开放模型权重。
推荐理由：以真实形式化仓库中的证明任务比较模型表现与运行成本，为评估代码智能体在证明工程中的性价比提供了具体参照。
Mistral AI 发布 Voxtral Transcribe 2，包含面向批量转写的 Voxtral Mini Transcribe V2 和面向实时应用的 Voxtral Realtime。
推荐理由：文章同时交代批量与实时语音转写模型的延迟、语言支持、价格和部署方式，便于评估不同语音应用的接入选择。
Mistral AI 定位了 vLLM 在启用 graph compilation 和 NIXL 的 Prefill/Decode disaggregated serving 中出现的内存泄漏，根因是 UCX 的 mmap hook 机制导致匿名内存持续增长。
推荐理由：文章以真实的 vLLM 生产前测试故障为例，串联 Heaptrack、pmap、BPFtrace 和 GDB 的定位过程，并给出 UCX 配置层面的修复路径。
Mistral AI 发布 Devstral 2（123B）和 Devstral Small 2（24B）编码模型，以及开源命令行智能体 Mistral Vibe CLI。
推荐理由：文章同时给出两种参数规模、SWE-bench Verified 成绩与部署方式，便于比较开放模型在编码智能体中的性能和落地门槛。
Mistral AI 发布 Mistral 3，包含 14B、8B、3B 三个小型 dense 模型，以及采用稀疏 MoE、拥有 41B active 和 675B total 参数的 Mistral Large 3，全部采用 Apache 2.0 许可。
推荐理由：这次发布同时覆盖端侧小模型与大规模 MoE 模型，并给出开源许可、部署格式和多家平台入口，便于比较不同规模模型的使用路径。
Mistral AI 与 All Hands AI 发布 Devstral Medium，并升级 Devstral Small 1.1，面向智能体编码场景。
推荐理由：原文同时给出 Devstral Small 1.1 与 Medium 的 SWE-Bench Verified 成绩、授权方式、价格和部署选项，便于比较开放模型与 API 模型的使用路径。