Hugging Face 与 Cerebras 合作展示了一套实时语音到语音的开源流水线，用 Cerebras 加速 Gemma 4 31B 的推理。该架构为级联式模块化设计，依次经过 Nvidia Parakeet 语音识别、Cerebras 上的 Gemma 4 VLM 推理和阿里 Qwen3TTS 文本转语音，各层均可替换。
推荐理由：原文给出了一套可替换的实时语音到语音开源架构，读者可据此了解各层组件如何组合并复用到自己的项目。
Hugging Face 发布开源基准 ScarfBench，用于评测 AI 智能体在企业级 Java 框架迁移中的表现，覆盖 Spring、Jakarta EE、Quarkus 三大生态，含 34 个应用、102 个框架实现、204 个迁移任务和 1331 个专家测试。评测显示最强智能体行为成功率不足 10%，Claude Code 报告 30 个应用中 29 个构建成功，实际仅 22 个通过。
Google Research 将建筑级屋顶反射率（albedo）数据集从 2024 年试点的 14 座城市扩展至 9 个国家 50+ 城市，并通过新的 Heat Resilience Earth Engine App 开放访问。
Google DeepMind 发布 Nano Banana 2 Lite（gemini-3.1-flash-lite-image）和 Gemini Omni Flash（gemini-omni-flash-preview）两款模型。
推荐理由：两款新模型给出了延迟、单价与可用入口，读者可据此判断图像与视频生成链路的成本取舍。
Dharma AI 撰文解读 Goldfeder、Wyder、LeCun 与 Shwartz-Ziv 的 2026 年论文《AI Must Embrace Specialization via Superhuman Adaptable Intelligence》。
Google 发布面向表格数据分类与回归的基础模型 TabFM，将表格预测建模为上下文学习问题，无需手动训练、超参数调优和特征工程，单次前向传播即可对未见过的表格生成预测。
推荐理由：Google 把零样本思路搬到表格数据，读者可了解其架构设计与在 TabArena 上的对比表现。
OpenAI Signals 数据显示 ChatGPT 全球采用率持续增长，用户使用量上升并探索更多功能，推动各地区和语言的增长。
Every Eval Ever（EEE）与 Hugging Face Community Evals 现已互通，评测结果可交叉发布并回链到完整 EEE 记录。EEE 数据存储已积累约 229,000 条评测结果，覆盖超 22,000 个模型和 2,200 个 benchmark，来自 31 种报告格式。
OpenAI 工程师利用大规模 core dump 分析排查基础设施中的罕见崩溃，同时发现了一处硬件故障和一个存在 18 年之久的软件 bug。
OpenAI 发布 GeneBench-Pro，一个用复杂真实数据集测试 AI 在基因组学、生物学和科研中表现的新基准。
Hugging Face 博客介绍 DiScoFormer（Density and Score Transformer），一个 Transformer 模型可在单次前向传播中同时估计数据分布的密度与 score，无需针对新分布重新训练。
OpenAI 发布新报告，梳理 AI 可能如何重塑欧盟各职业，指出哪些岗位面临自动化、增长或工作流程变化。报告以欧盟为范围，对职业层面做了分类映射。
HP Inc. 与 OpenAI 启动 Frontier 战略合作，将 AI 部署到客户体验、软件开发和企业运营中。此次合作在双方既有 OpenAI Frontier 伙伴关系基础上升级扩展。
Google Research 提出一种新架构，把多 Token 预测（MTP）头接到已冻结的 Gemini Nano v3 模型上，在 Pixel 9 和 10 系列上实现开箱即用的加速。
推荐理由：Google 把 MTP 头接到冻结的 Gemini Nano v3 上，读者可了解端侧推测解码如何在内存受限下提速。
OpenAI 预告下一代模型 GPT-5.6 Sol，称其在编码、科学和网络安全方面具备更强能力，并搭配其最先进的安全栈。
推荐理由：OpenAI 官方预告下一代模型 GPT-5.6 Sol，读者可了解其在编码、科学与网络安全上的能力方向及配套安全栈。
Hugging Face 发布教程，介绍用一条 hf jobs run 命令在 HF Jobs 上启动私有、OpenAI 兼容的 vLLM 端点，按秒计费，无需自行配置服务器或 Kubernetes。
推荐理由：原文给出从启动到查询、清理的完整命令链路，读者可据此在 HF 基础设施上自建 OpenAI 兼容端点。
Google Research 提出线性弹性缓存，把页面淘汰建模为滑雪租赁问题，用轻量机器学习动态调整缓存大小。在 Spanner 生产环境测试数月后，内存用量降低 15.5%，缓存未命中仅增加 5.5%，总拥有成本（TCO）降低约 5%，实际 I/O 成本影响仅 0.5%。该方法用浅层决策树预测页面 TTL，并已在 CIDR 发表。
OpenAI 发布新研究论文，展示 AI 智能体正在改变工作方式，能够承担更长、更复杂的任务，并在各类岗位中提升生产力。
Google Research 在 COLM 2026 发表的论文揭示，让模型生成推理轨迹能解锁原本无法召回的事实答案，即使问题只是单跳事实查询。研究在 Gemini-2.5（Flash 和 Pro）与 Qwen3-32B 上验证，发现两个机制：推理 token 充当计算缓冲，以及生成相关事实的"事实启动"效应。
Google DeepMind 将 computer use 作为内置工具集成进 Gemini 3.5 Flash，此前该能力仅以独立的 Gemini 2.5 computer use 模型形式提供。
推荐理由：Gemini 3.5 Flash 把 computer use 从独立模型并入主模型，读者可据此判断智能体跨平台自动化的落地路径。
NVIDIA 发布开源库 NeMo AutoModel，在 HuggingFace Transformers v5 之上加入 Expert Parallelism、DeepEP 融合 all-to-all 调度和 TransformerEngine 内核，微调 MoE 模型时训练吞吐提升 3.4-3.7 倍、GPU 显存减少 29-32%，且只需改动一行 import。
推荐理由：原文给出同一 from_pretrained() 接口下的吞吐与显存对比数据，读者可据此判断 MoE 微调的迁移成本。
Mistral 为 Connectors 推出多项新能力：按 workspace 或组织管理连接器访问权限的管理员控制、带连接器作用域的 API key、支持多账号登录的连接器均已 GA。
Hugging Face 与 Treble Technologies 发布首个开放、社区驱动的远场 ASR 基准 FFASR Leaderboard，覆盖 14 个模拟房间，并设有 Lab Measured 与 Lab Simulated 的 sim-to-real 验证轨道。
GPT-5 Pro 帮助免疫学家 Derya Unutmaz 解开了一个困扰三年的免疫学谜题，为 T 细胞行为提供了新见解。这一突破有望为癌症与自身免疫疾病研究提供支持。
OpenAI 正通过 Appia Foundation 参与构建先进 AI 的共享标准，支持评测框架、安全实践与全球合作。
Mistral 发布 OCR 4，在提取文本之外返回边界框、块类型分类和逐页逐词置信度分数，支持 170 种语言、10 个语系，可打包进单个容器完全自托管。该模型在 OlmOCRBench 上取得 85.20 的总体最高分，OmniDocBench 得分 93.07，独立标注者在 600 多份文档的盲评中平均 72% 的情况下更偏好其输出。
推荐理由：OCR 4 把边界框、块分类和置信度分数一并输出，读者可据此判断文档解析如何接入 RAG 与智能体流程。
Omio 正借助 OpenAI 构建对话式旅行体验，并推动产品开发提速、向 AI 原生公司转型。原文未披露具体模型版本、参数规模或性能数据。
Hugging Face 将 huggingface_hub 的发版周期从每 4 到 6 周缩短到每周一次，整套流程跑在单个 GitHub Actions workflow 上，由 OpenCode 驱动开放权重模型（当前为 Z.ai 的 GLM-5.2）起草 release notes 和 Slack 公告。
推荐理由：Hugging Face 公开了每周发版的完整 CI 流程，其中模型起草加确定性校验的循环可直接迁移到其他项目。
Google Chrome 团队开发者关系工程师 Thomas Steiner 在 Hugging Face 博客中，试验了拟议的 Cross-Origin Storage（COS）API 如何解决 Transformers.js 的跨源缓存重复问题。
PaddleOCR 发布新一代通用 OCR 模型家族 PP-OCRv6，已在 Hugging Face 上线，提供 tiny、small、medium 三档，参数量从 1.5M 到 34.5M。
OpenAI 推出 Patch the Planet，这是 Daybreak 计划下的一项新举措，帮助开源维护者借助 AI 与专家审核发现、验证并修复漏洞。
Jason Liu 分享了他使用 OpenAI Codex 保存上下文、管理复杂项目，让工作不再局限于单次提示词。Codex 可帮助任务在单个 prompt 之外持续推进。
Hugging Face 博客介绍了用本地模型 Gemma 和 Qwen 在 agent harness 中对 OpenClaw 仓库的 issue 和 PR 做分类分诊的方案。
推荐理由：作者用本地模型加受限 shell 做 PR 分类，给出了可复用的 agentic classification 配方与实测对比数据。
三星电子在全球范围内向员工部署 ChatGPT Enterprise 和 Codex，这是 OpenAI 规模最大的企业 AI 落地项目之一。
Hugging Face 发布 MosaicLeaks，用 1001 条多跳研究链评测深度研究智能体的隐私泄露风险，这些链交替穿插本地企业文档与公开网页信息。测试中智能体频繁泄露隐私，仅训练任务性能还会加剧泄露；其提出的 PA-DR 方法将严格链成功率从 48.7% 提升至 58.7%，并把答案/全信息泄露率从 34.0% 降至 9.9%。
OpenAI 为 ChatGPT Enterprise 新增用量分析与支出控制功能，帮助企业掌握成本并放心扩展 AI 应用。该功能面向企业客户，用于管理 ChatGPT 的使用开销。
研究者使用 OpenAI 的推理模型辅助诊断罕见疾病，在先前未解决的病例中得出 18 例新诊断。该结果来自 OpenAI 官方发布，正文仅提供摘要，未披露所用模型的具体版本与研究方法细节。
推荐理由：OpenAI 推理模型在未确诊罕见病案例中给出 18 例新诊断，可了解推理模型在医疗诊断场景的落地方式。
Hugging Face 发布 agent-eval 工具，用于评测智能体使用某个库完成任务的全过程，而不只看最终答案，并以 transformers 为案例在模型、版本、任务三个维度上展开测试。
推荐理由：原文给出了一套可复用的工具基准方法，并展示了同一改动对不同规模模型效果相反的具体证据。
Hugging Face 在 PEFT 库中对比了 LoRA 之外的多种参数高效微调技术，并指出仅凭论文结果难以判断哪种技术最优。其统计显示，Hugging Face Hub 上提及单一 PEFT 技术的 20,834 个模型卡中有 20,509 个（98.4%）提到 LoRA，外部站点 10,000 个图像生成 checkpoint 中 7,111 个为 LoRA。
AWS 开源的 Strands Robots SDK（Apache 2.0）把 LeRobot 栈封装成 AgentTools，让一个 Strands 智能体在单次循环里完成仿真录制演示、推送 LeRobotDataset 到 Hub、跑策略、再以改一个关键字参数的方式部署到实体 SO-101，并通过 Zenoh 对等网格广播指令到多台机器人。
推荐理由：AWS 团队给出从 Hub 数据集到实体机器人的五步流程，可看到仿真与真机共用同一数据集格式的工程取舍。