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。
Mistral 宣布三项推进 AI 主权的举措：Mistral Regional Endpoints 正式可用，客户可选择推理在欧洲或美国运行；Mistral Priority Tier 进入公开预览，为关键业务负载提供自定义速率限制和带 SLA 的可用性承诺。
推荐理由：Mistral 把区域推理端点、SLA 优先级层和第三方开源模型接入放在同一套基础设施上，可观察主权 AI 的落地方式。
Meta 发布 Muse Glimmer-30B，一款从 Muse 蒸馏至 30B 参数、采用 Apache 2.0 许可的多模态模型，面向本地智能体用例，适用于编码、文档分析、个人助手等注重隐私的场景。
推荐理由：原文给出架构细节与部署入口，读者可据此判断本地智能体场景下的落地成本与可行性。
Google DeepMind 在 Nature 发文称其 WeatherNext AI 模型在气旋路径、强度和风场结构预测上达到 SOTA，三天预报精度相当于旧模型的两天，领先幅度超过 24 小时，约相当于十年气象学进展。
推荐理由：原文给出了模型在低分辨率下取得高精度这一反直觉发现及其开放权重的入口，读者可据此评估其对现有预报工作流的可迁移价值。
Mistral AI 以 Apache 2.0 协议开源 3B 多模态安全分类模型 Shieldstral，它把内容审核建模为二元问答任务，推理时用自然语言写入策略即可返回校准的连续安全分数，无需重训，统一处理文本与图像。
推荐理由：原文说明了把内容审核改写成自然语言问答的做法，读者可据此理解它如何在不重训的前提下适配不同产品策略。
Microsoft Research 开源智能体框架 Orchard，核心是可复用的 Kubernetes 环境服务 Orchard Env，支持在 Codex、OpenClaw、ZeroClaw 等真实部署 harness 内直接训练智能体，并同步发布训练数据与评测方法。
推荐理由：原文给出三个领域的训练配方与具体分数，读者可据此评估小参数开源模型在真实任务上的能力边界。
Microsoft Research 发布 Echoverse，一套面向计算机使用智能体的深度可演化训练环境，包含十个深度领域世界和两个能力世界，并开源其中四个世界的代码、数据与数据库接地验证器。
推荐理由：原文用对照实验说明深度与多样性比环境数量更能带来迁移，可为构建计算机使用智能体训练环境提供方法参考。
IBM Research 基于 UC Berkeley Sky Lab 的 K-Search 框架构建 MLX 后端，通过结构化 CUDA-to-MLX 翻译层把现有 CUDA 内核知识迁移到 Apple Silicon。
推荐理由：读者可了解 CUDA 内核优化经验如何被结构化迁移到 Apple Silicon，以及翻译层对性能提升的具体贡献。
Hugging Face 上线 Thinking Machines Lab 的 Inkling 系列开源多模态模型，Inkling 为 975B 总参数、41B 激活参数的 decoder-only MoE 模型，原生支持图像、文本、音频输入与 1M 上下文，在 45 trillion token 上训练。
推荐理由：原文给出架构细节与各部署配置的显存开销，读者可据此判断自己硬件能否跑起来。
LeRobot v0.6.0 发布，围绕机器人学习闭环引入世界模型策略（VLA-JEPA、FastWAM、LingBot-VA）、新一批 VLA（GR00T N1.7、MolmoAct2、EO-1、EVO1、Multitask DiT）以及统一的奖励模型 API（Robometer、TOPReward）。
推荐理由：原文系统梳理了机器人学习闭环各环节的新增能力，读者可据此了解开源机器人栈的当前边界。
Mistral AI 发布 Leanstral 1.5，一款 Apache-2.0 许可、119B 总参数 6B 激活参数的免费模型，权重已上线 Hugging Face 并提供免费 API 端点 leanstral-1-5。
推荐理由：原文给出基准成绩、成本对比和测试时扩展曲线，读者可据此判断其在形式化验证任务上的性价比与能力边界。
Google DeepMind 发布实验性开源模型 DiffusionGemma，采用文本扩散方式一次并行生成整段文本，在专用 GPU 上文本生成速度最高提升 4 倍，单张 NVIDIA H100 可达 1000+ tokens per second，NVIDIA GeForce RTX 5090 可达 700+ tokens per second。
推荐理由：原文给出了速度、显存与质量取舍的具体数据，读者可据此判断它是否适合本地交互场景。
Google Research 发布 I/O 2026 综述，介绍其在科学发现、健康、边缘计算、天气预测、Gemini 核心能力、开发者生产力、隐私保护和量子计算等方向的研究与产品进展。
推荐理由：官方长文系统梳理了研究到产品的转化路径，读者可据此理解其各条线的布局重点。
Mistral 发布 Mistral Medium 3.5，一个 128B 稠密、256k 上下文窗口的旗舰模型，以修改版 MIT 协议开放权重，SWE-Bench Verified 得分 77.6%，τ³-Telecom 得分 91.4，最少四张 GPU 即可自托管。
推荐理由：原文给出了模型规模、价格与自托管门槛，读者可据此评估其在编码智能体场景的可用性。
Google DeepMind 发布 Gemma 4 开源模型系列，采用 Apache 2.0 许可，包含 E2B、E4B、26B MoE 和 31B Dense 四种尺寸，主打推理与智能体工作流。
推荐理由：原文给出了各尺寸的硬件适配与开源许可细节，读者可据此判断本地部署和微调的可行路径。
Mistral AI 发布 Voxtral Transcribe 2 系列，包含面向批量转写的 Voxtral Mini Transcribe V2 和面向实时应用的 Voxtral Realtime，后者以 Apache 2.0 开源权重在 Hugging Face 发布。
推荐理由：原文给出两款模型的延迟、词错率与价格对比，读者可据此评估其在语音工作流中的替换价值。
Mistral AI 发布 Devstral 2 系列编码模型，包含 123B 的 Devstral 2 与 24B 的 Devstral Small 2，前者在 SWE-bench Verified 上取得 72.2%。
推荐理由：原文给出两个尺寸的参数、SWE-bench 分数与部署门槛，读者可据此判断它在自托管编码场景中的可行性。
Mistral AI 宣布推出 Mistral 3 模型家族，包括 14B、8B、3B 三款稠密小模型和旗舰 Mistral Large 3（41B 激活参数、675B 总参数的稀疏 MoE），全部以 Apache 2.0 许可开源。
推荐理由：原文给出了模型规格、许可证与部署入口，读者可据此评估其在开源模型中的定位与可用性。
Mistral AI 发布 Voxtral 语音理解模型，提供 24B 和 3B 两个尺寸，均以 Apache 2.0 许可开源，也可通过 API 调用，API 定价 $0.001 per minute 起。
推荐理由：原文对比了开源与闭源语音方案的取舍，并给出价格与基准数据，便于评估其部署性价比。
Mistral AI 发布首个推理模型 Magistral，分为开源的 Magistral Small（24B 参数，Apache 2.0 许可）和企业版 Magistral Medium。
推荐理由：原文给出两个变体的参数规模、AIME2024 分数与开放许可，便于读者评估其与现有推理模型的差距。
Mistral AI 宣布发布 Mistral Small 3.1，基于 Mistral Small 3 升级，改进了文本性能与多模态理解，上下文窗口扩展至 128k tokens，推理速度达 150 tokens per second，以 Apache 2.0 许可开源。
推荐理由：原文列出了上下文、速度与运行门槛，读者可据此判断它是否适合端侧与低延迟场景。