Reflection AI 发布开放权重模型 Beam，并在 AWS 上给出部署方案
Reflection AI 推出开放权重模型 Beam，面向智能体编码和长周期任务，可维护代码、调用工具并完成多步工作流。
推荐理由：原文给出 Beam 的开放权重规格与两条 AWS 部署路径，读者可据此判断多节点部署的硬件与显存要求。
#开源/仓库
AWS Machine Learning Blog精选AI 评分7171
Hugging Face Blog精选AI 评分8181 Reflection 发布 501B 开源模型 Beam，支持 1M 上下文与智能体编码
美国新实验室 Reflection 在 Hugging Face 发布首个开源模型 Beam，这是一个 501B 参数的 MoE 模型，每 token 激活 23B，支持 1M token 上下文，采用 Apache 2.0 许可，聚焦编码与智能体场景。
推荐理由：原文给出 501B MoE 开源模型的架构细节、量化版本与部署配方，可据此判断自托管长上下文编码智能体的硬件门槛。
Hugging Face Blog精选AI 评分6060 NVIDIA 与 AI4Bharat 发布 2.8 万亿 token 的 Indic 预训练语料及开源数据生成流程
NVIDIA 联合 IIT Madras 的 AI4Bharat 发布 Nemotron-pretraining-Indic-v1，约 2.8 万亿 token，覆盖 22 种印度语言，其中 2601.0 亿为本地文字 token、224.6 亿为罗马化 token，计数使用 Gemma-4 tokenizer。
推荐理由：原文给出了语料规模、语言覆盖和可复用的生成流程，读者可据此判断如何构建自己的 Indic 预训练数据。
Hugging Face Blog精选AI 评分6666 IBM 发布 Granite Switch 4.1：单一端点同时支持对话、决策与语音
IBM 发布 Granite Switch 4.1，包含 Granite-Switch-4.1-8B 和 -30B 两个版本，在单一托管端点上同时支持自然语言对话、通用与专用决策以及语音转文字任务。
推荐理由：Granite Switch 4.1 把决策与语音适配器组合进单一端点，读者可了解多能力复用同一 KV cache 的工程思路。
AWS Machine Learning BlogAI 评分5656 Meta 的 Muse Spark Open 上线 Amazon SageMaker JumpStart
Meta 的编码优化开源权重模型 Muse Spark Open 已在 Amazon SageMaker JumpStart 上线，可在自己的 AWS 账号中部署到 SageMaker AI 端点。
NVIDIA Blog精选AI 评分7171 NVIDIA 发布 Nemotron 3.5 Super VL 与两款 Bolt 边缘模型
NVIDIA 发布 Nemotron 3.5 Super VL，一个 1200 亿参数的开源多模态模型，面向常驻智能体任务，官方称其准确率可对标自家最大推理模型而参数量约为其五分之一，吞吐量最高快 5 倍。
推荐理由：原文给出三款开源模型的参数规模、部署层级与开放权重，读者可据此判断本地智能体部署的选型空间。
Mistral AI精选AI 评分6666 Mistral 发布时间序列基础模型 Timestral，最大 209M 参数
Mistral 发布首个时间序列基础模型系列 Timestral，提供 5M、28M、123M 和 209M 四种参数规模，最大模型在 GIFT-Eval、TIME 和 fev-bench 三个公开基准上均排名第一，且参数量仅为前代 SOTA 的三分之二。
推荐理由：Mistral 首次把基础模型思路带到时间序列预测，给出四个尺寸与三项公开基准的对比结果，可据此判断小参数模型在企业预测场景的可用性。
Hugging Face Blog精选AI 评分8888 Meta 开源 Muse Spark Open：816B 参数多模态 MoE 模型
Meta 发布开源权重模型 Muse Spark Open，采用 MoE 架构，总参数约 816B、每 token 激活约 42B，支持文本、图像、音频和视频输入，上下文窗口最高 1M tokens。
推荐理由：Meta 开源 816B 多模态 MoE 模型，文中给出部署、微调与量化运行的完整路径，可据此评估本地与云端落地成本。
Hugging Face Blog精选AI 评分8080 Black Forest Labs 的 FLUX.3 Image Klein 上线 Diffusers
Black Forest Labs 发布 FLUX.3 Image Klein，并在 Diffusers 中首日支持。该模型同时支持文生图、多参考图生图和布局控制，可在提示词中写入 bounding box 指定各元素位置或移动参考图中的区域。
推荐理由：原文给出 FLUX.3 Image Klein 在 Diffusers 中的完整用法与显存、耗时数据，便于评估其图像编辑与布局控制能力。
AWS Machine Learning BlogAI 评分4040 用 Amazon Bedrock AgentCore 构建自改进文档处理系统
基于 Amazon Bedrock AgentCore 的多智能体 IDP 系统可自动分类、提取、校验并从业务文档中学习，通常 20 分钟内完成部署。该系统由 8 个专用智能体组成识别与训练两条图工作流，新文档格式无需手工配置模板，验证通过后指令会被保存复用，后续同类文档直接进入提取。
Hugging Face Blog精选AI 评分7171 Ai2 发布 HiRO-ACEv2，以约 1/300 成本生成全球 3 km 气候数据
Ai2 发布 HiRO-ACE 系统的新版本 HiRO-ACEv2，其新的降尺度模型 HiROv2 可同时预测多种高分辨率气象场，不再只限于降雨，并能更准确地还原极端降雨、风速和气压事件。
推荐理由：原文给出极端天气模拟的精度与成本对比，读者可据此判断高分辨率气候数据生成的新路径。
Hugging Face Blog精选AI 评分7171 Liquid AI 发布 LFM2.5-24B-A2B 端侧推理智能体模型
Liquid AI 发布 LFM2.5-24B-A2B，一个 24B 总参数、2B 激活参数的推理模型，面向端侧运行私有智能体，会先推理再作答并支持工具调用。它在 LiveClaw 上得分 48.09，高于 Qwen3.6-35B-A3B 的 38.19，在 AutomationBench 上得分 27.69，超过次优模型三倍以上。
推荐理由：Liquid AI 给出 24B 总参数、2B 激活的端侧推理模型，并列出与更大 MoE 的智能体基准对比和部署入口。
NVIDIA Blog精选AI 评分7878 NVIDIA 为 RTX Spark 笔记本推送本地 AI 软件更新
NVIDIA 宣布 RTX Spark 笔记本将于 10 月 16 日上市，并联合生态伙伴推出面向本地 AI 的软件更新，覆盖 GitHub Copilot、Hermes、OpenClaw、Perplexity、Pi、WorkBuddy 等智能体应用。
推荐理由：原文列出 RTX Spark 首发时本地智能体、创作与开发工具的适配清单，可据此判断本地 AI 工作流的可用边界。
Microsoft ResearchAI 评分4242 微软 StudentSim：用个性化学生模拟器评估和改进 AI 辅导系统
微软研究院推出 StudentSim，一个在真实学习者测试前评估和改进 AI 辅导系统的研究系统，它从公开的去标识化学习记录中为每位学生训练个性化 AI 学生模拟器。
Microsoft Research精选AI 评分7171 微软研究院开源 Agent Lightning v1.0：3500 行轻量智能体 RL 框架，支持真实 harness 训练
微软研究院开源 Agent Lightning v1.0，一个约 3500 行代码的轻量智能体强化学习框架，提出 Harnessed Agentic RL 范式，让部署时使用的同一套 agent harness 直接参与 RL 训练，无需在训练框架内重新实现智能体。
推荐理由：微软研究院开源 Agent Lightning v1.0，给出约 3500 行代码的智能体 RL 控制面与真实 harness 训练范式，可对照其 Kubernetes 调度与 Collocated Async RL 设计。
Google DeepMind精选AI 评分7171 Google DeepMind 发布 EmbeddingGemma 2 开源多模态嵌入模型
Google DeepMind 发布 EmbeddingGemma 2，一个基于 Gemma 4 架构、740M 参数的开源多模态嵌入模型，可将文本、图像、音频和视频映射到统一嵌入空间，采用 Apache 2.0 许可。
推荐理由：官方给出 740M 参数、模块化编码器与量化后内存占用，便于判断端侧多模态检索的落地成本。
Microsoft Research精选AI 评分6262 微软研究：将物理 AI 推理卸载到边缘或云端可提升机器人性能与续航
微软研究院发布对物理 AI 机器人推理负载的系统性研究，认为把推理全部放在机器人自带 GPU 上会限制性能、续航和扩展性，卸载到边缘或云端 GPU 可带来明显收益。
推荐理由：微软对移动操作机器人推理负载的系统性测量，给出端侧与云端卸载在成功率、时延和续航上的量化对比。
Berkeley AI Research精选AI 评分6262 从 CUDA 到 MLX：K-Search 如何把数十年内核经验带到 Apple Silicon
IBM Research 与 UC Berkeley Sky Lab 将 K-Search 进化式内核搜索框架扩展到 MLX，通过结构化 CUDA-to-MLX 翻译层把现有 CUDA 内核作为知识库，在 Apple Silicon 上生成高质量内核。
推荐理由：读者可以看到 CUDA 内核经验如何被结构化翻译到 MLX，以及翻译层对搜索结果的量化影响。
Berkeley AI ResearchAI 评分3838 伯克利提出 SPEX 与 ProxySPEX：大规模识别 LLM 关键交互
伯克利 AI 研究团队提出 SPEX 与 ProxySPEX 算法，用于在大规模场景下识别 LLM 的关键交互。SPEX 利用稀疏性与低阶性，将交互搜索转化为稀疏恢复问题；ProxySPEX 进一步利用层级结构，以约少 10 倍的消融次数达到 SPEX 的性能。在情感分析任务上，SPEX 在上下文扩展至数千特征时仍保持高忠实度，优于 LIME、Banzhaf 等边际方法。
Berkeley AI ResearchAI 评分3030 信息驱动的成像系统设计：Berkeley AI Research 提出基于互信息的成像系统评估与优化框架
Berkeley AI Research 提出一种基于互信息的成像系统评估与优化框架，仅用含噪测量和噪声模型即可量化测量对物体的区分能力，该成果发表于 NeurIPS 2025。该指标在彩色摄影、射电天文学、无透镜成像和显微镜四个领域预测了解码器性能，优化后得到的设计与 SOTA 端到端方法相当，但内存和计算需求更低，且无需任务专用解码器。