Hugging Face 发布 Profiling in PyTorch 系列第三篇，用 NVIDIA A100-SXM4-80GB 逐一 profile 注意力实现：手写朴素注意力、把 masked_fill 改成 masked_fill_ 的原地版本，以及 SDPA 的 math、efficient、flash、cudnn 四个后端。
推荐理由：通过同一注意力实现在 profiler 下的六种形态对比，读者能学会先猜测再看 trace 的具体分析方法。
Photoroom 在 PRX 系列第 4 篇中详解其 7B 文生图模型的预训练数据管线：混合公开与内部数据集，用 VLM 重写长描述，再转成可流式读取的语料。
Google DeepMind 公布了在塞拉利昂开展的 Guided Learning 预注册试验结果，学生数学成绩相对对照组提升 +0.258 个标准差，约相当于八周内 1.2 至 1.7 年的学习进度；教师将 Gemini 纳入约一半课程（目标 12 小时）的班级提升更大，约 1.8 至 2.5 年。
推荐理由：原文给出了预注册试验的量化结果与开放的教师培训材料，读者可据此评估 AI 辅助教学的实际效果与可复用做法。
Google DeepMind 的 Co-Scientist 帮助爱丁堡大学生物工程师 Filippo Menolascina 团队缩小 MASH 联合疗法的搜索空间，并针对 resmetirom 只对少数合格患者起效的问题提出假设，将 NLRP3 inflammasome 指认为连接炎症与代谢的分子桥梁，该假设随后经实验验证，有望为靶向双联疗法铺路。
MIT 的 Ritu Raman 借助 Google DeepMind 的 Co-Scientist，将原本需数月梳理的 ALS 文献压缩为可快速验证的假设，并按可行性与风险回报排序研究方向。
Mistral AI 介绍了基于其开源编码助手 Vibe 构建的自主测试智能体，它读取 Rails 源文件、生成或改进 RSpec 测试，并在 CI/CD 流水线中无人值守运行。
Mistral AI 在 Engineering Deep Dive 系列首篇文章中复盘了排查 vLLM 内存泄漏的过程：在 Mistral Medium 3.1 配合 Prefill/Decode 分离式部署且启用 graph compilation 时，系统内存以 400 MB/分钟线性增长。
推荐理由：逐层递进的排查路径和每种工具的失效原因，对定位同类底层内存问题有直接可迁移的方法价值。
Mistral AI 演示了用 LoRA 微调 Pixtral-12B 在 Aerial Image Dataset（AID）上做卫星影像场景分类的完整流程。
Mistral AI 介绍了用 LLM as a Judge 评估 RAG 系统的方法：由一个 judge LLM 按数值、二元或定性量表给 generator LLM 的答案打分，并在评测数据集上取平均得到总分。
Mistral AI 推出 TranscriptToPRDTicket agentic workflow，由 PRDAgent 和 TicketCreationAgent 两个组件构成，均基于 Mistral Large 2 驱动，可将会议记录自动转化为 PRD 和结构化开发任务。