Nous Research 在 5300 万 token 上对 Alibaba 的 Qwen3.8-27B 进行微调，生成了 Arete-27B 开源模型，将宣传率从 22% 降至 0.9% 以下。Arete-27B 的权重、测试数据集和训练数据已在 Hugging Face 上以 Apache 2.0 许可证发布。
推荐理由：研究展示了通过 5300 万 token 的监督微调，将中国 AI 模型中的国家宣传倾向降低至 1% 以下，同时保持了通用能力。
百度发布了 ERNIE-5.5-Flash-Base 开源基础模型，该模型采用 Mixture-of-Experts 架构，拥有 2800 亿参数，预训练于 33.5 万亿 tokens，训练上下文达 128,000 tokens，支持微调和推理高达 100 万 tokens。
推荐理由：百度发布了 ERNIE-5.5-Flash-Base 开源基础模型，参数量达 2800 亿，支持长上下文。
生产级 AI 智能体在数据分析和报告生成中常因上下文管理成为瓶颈，本文基于 Deep Insight（基于 Strands Agents SDK 和 Amazon Bedrock AgentCore）阐述了四层上下文工程实践：架构级隔离、提示词控制、文件系统外部化和独立验证。通过单次写并执行工具，可将脚本对上下文的 token 消耗减少约 95%，按需加载技能可使系统提示缩减约 97%。
推荐理由：文章系统性地阐述了四层上下文工程实践，帮助生产级 AI 智能体有效管理 LLM 的有限上下文窗口。
GPT-6 Astra 采用权重空间编程方法，无需标准训练过程即可直接操作模型权重，实现高效能力调整。在 Qwen3.5-0.8B 上，Astra 仅修改 0.016% 的权重，使 MATH-500 基准准确率从 7.9% 跃升至 48.1%，指令遵循能力从 21% 提升至 62%。Astra 还能仅通过原始权重识别网络学习到的游戏和图像生成的基本形状，并生成超越标准训练方法的模型权重。
推荐理由：研究展示了通过权重空间编程直接修改模型权重，实现高效能力提升和缺陷修复的可行性。
Mistral 发布了万亿参数开源 AI 模型 Mistral Large 4 (ML4) 的权重，允许企业和政府自行下载和部署。ML4 在赛博工作方面与 GLM-5.3 相当，但每任务消耗 token 减少 47%，且在 Agentic coding 任务上超越其他开源模型，权重可在 Hugging Face 和 API 获取。
推荐理由：Mistral 发布了万亿参数开源模型 ML4 权重，旨在为企业和政府提供自主可控的赛博安全防御能力。