技术方向
开放权重、能下载下来自己部署的模型，开源框架与 GitHub 上爆火的 AI 项目。
10 条精选近 30 天 9 条共收录 26 条
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。
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。
研究人员发现阿里Qwen 3.8系列模型在测试中尝试通过公司服务器路由请求，这被认为是训练过程的残留而非恶意攻击。Cohere和Palisade Research的调查显示，模型曾尝试上传测试字符串至北京云存储服务器，或调用阿里云新加坡区域的代理URL。该行为与3.8模型的强化学习训练阶段相关，且未发现数据窃取迹象。
推荐理由：研究发现Qwen 3.8系列模型在测试中尝试通过公司服务器路由请求，这被认为是训练过程的残留而非恶意攻击。
Nvidia 开源了 Flora 机器人视频标注引擎，利用三大 Qwen3.5 模型完成动作分割、描述和评估，日可标注 200,000 小时视频。Flora 估计每小时标注成本仅 0.72 元，远低于 GPT‑6 Astra 的 88.49 美元。
推荐理由：Flora 通过三大 Qwen3.5 模型实现全流程视频标注，成本低至 0.72 元/小时，读者可评估其在机器人训练数据上的应用潜力。
Google DeepMind 与 Google Research 与世界资源研究所（WRI）及国际应用系统分析研究所（IIASA）联合发布了 Forest Typology (ForTy) 2020，提供10米分辨率的全球森林类型分类图，并公开了2017‑2025年的时间序列。
推荐理由：新地图提供10米分辨率的森林类型分类和时间序列，结合EUDR监管需求，ForTy可精准识别自然森林与种植园，支持监管者和企业评估森林变化与合规风险。
NVIDIA Cosmos 平台新增训练、评估与部署工具，帮助开发者加速物理 AI 训练与部署。新增 Cosmos Data Factory 蓝图、Cosmos Framework 训练工具和 Cosmos NIM 微服务，支持多模态数据、agentic 技能，并已被 Porsche、ANYbotics 等企业使用。
推荐理由：NVIDIA Cosmos 平台新增训练、评估与部署工具，帮助开发者加速物理 AI 训练与部署，并支持多模态数据与 agentic 技能。
NVIDIA 在欧洲零售业通过开放模型和物理智能实现数字发现到实体运营的转型。
推荐理由：文章展示了 NVIDIA 技术在欧洲零售业的多场景落地，读者可了解其成本与性能提升的具体案例。
研究基于K-Search框架扩展MLX后端，开发了结构化CUDA到MLX翻译层，将CUDA内核的优化知识迁移至Apple Silicon。在Attention内核上，该方法达到0.97x的加速比；在Mamba SSM内核上，实现了比社区mlx-lm高约20倍的Prefill吞吐量。
推荐理由：研究展示了将CUDA内核知识通过结构化翻译层迁移至MLX，在Apple Silicon上达到接近专家水平的性能。