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。
IFM 发布 K2 Horizon 模型系列，共六个模型：375B-A23B、36B-A4B、32B、7B、3.7B 和 0.9B，均以 Apache 2.0 开源，其中 0.9B、3.7B 和 7B 宣称在其规模上达到 SOTA，36B-A4B 采用新提出的稀疏注意力架构 MoVA。
推荐理由：原文在发布模型之外还放出从预训练到智能体后训练的全流程产物，研究者可以据此复现和改造整套训练方法。
Tom Tunguz 分析 Meta 发布 Muse Spark 模型及双轨 API 定价：Standard Tier（muse-spark-1.3）输入 $1.25/m。
推荐理由：作者用价差算出数据补贴的具体规模，把 Meta 双轨定价解读为 AI 数据供应链的垂直整合，提供了一种可迁移的分析视角。
Google Research 与 HHMI Janelia、MRC 分子生物学实验室及剑桥大学等合作，在 Cell 发表雄性果蝇大脑和中枢神经系统的完整连接组图谱，包含超过 166,000 个神经元和 1.25 亿个突触连接，是目前按神经元数量计最大的大脑图谱。
推荐理由：官方团队亲述十年合作的成果与 AI 重建方法，读者可以了解连接组学如何从果蝇推进到脊椎动物。
NVIDIA 已同意以 129.3 亿美元收购 Hugging Face，以扩展该开源模型仓库的平台与基础设施。交易目标是平台增长和基础设施投资，旨在为全球企业开发者、软件工程师和研究机构扩大 AI 访问机会。Hugging Face 由 Clem Delangue、Julien Chaumond、Thomas Wolf 等人在过去十年间打造。
推荐理由：原文报道 NVIDIA 收购 Hugging Face 的金额与用途，读者可以据此了解开源模型平台归属变化的方向。
NVIDIA 宣布已同意以 12,930,300,000 美元收购 Hugging Face，黄仁勋在官方博客公布了这一消息。Hugging Face 目前有超过 1800 万开发者，托管超过 300 万个模型、50 万个数据集和 100 万个应用，服务超过 20 万家企业。
推荐理由：原文来自收购方本人，给出了收购金额和对平台开放性的具体承诺，读者可以据此评估对开源生态的影响。
Hugging Face 发布开源工具 funes，为 Claude Code、Codex、pi、Hermes 等编码智能体提供本地记忆层，把已有会话记录索引成 Lance 数据集，一条 funes add 命令即可让 Agent 自主召回原始出处（Agent、时间戳、会话、轮次）。
推荐理由：原文给出本地记忆层的检索机制、跨 Agent 复用方式，以及召回比压缩和交接更省成本的基准数字，方法可直接复用。
Hugging Face 博客作者基于 Surya Narreddi 的原始想法，用 TRL、OpenEnv 和 Qwen/Qwen3.5-35B-A3B 复现了让语言模型通过 p5.brush 写 JavaScript 画水彩的 RL 训练流程，所有数据集、环境、脚本和模型均开源在 Hub。
推荐理由：作者用 TRL 和 OpenEnv 完整开源复现了让编码模型画水彩的 RL 配方，含数据池、环境和三组奖励对比，可整体迁移复用。
Unsloth AI@UnslothAI精选AI 评分6666推荐理由：原文给出了 MTP 加速的具体倍数、显存门槛和各量化档位内存需求，读者可以据此判断自己的设备能否跑通。
Baseten 发文解析开源模型后训练的成本驱动因素，指出活跃参数量是 RL 后训练成本的最大来源，总参数和 KV cache 主要限制推理速度，并按成本档位推荐 DeepSeek-V4-Flash、GLM-5.2、Kimi K2.6、Kimi K2.7 Code、Nemotron-3-Super-120B 和 Qwen3 系列。选型建议关注库支持、基准表现和后训练循环成本三方面。
推荐理由：原文把后训练成本拆解为活跃参数、总参数和 KV cache 三个因素，并按成本档位比较了多款开源模型，方法可直接迁移到选型。
Meituan LongCat@Meituan_LongCat精选AI 评分6868推荐理由：官方宣布 LongCat-2.0 可在 Cline 免费试用，并给出安装命令和模型选择路径，读者可直接接入现有编码工作流。
Rohan Paul@rohanpaul_ai精选AI 评分8383推荐理由：原文给出交易价格、估值倍数和留任奖金等关键细节，读者可以快速了解这桩收购的规模与进展。
Hugging Face WebAI 团队发布 @huggingface/kernels 库及 207 个以独立仓库形式托管在 Hub 上的 WebGPU 内核（Apache-2.0），每个内核带 manifest、正确性测试、基准用例和 WGSL 着色器模板。
推荐理由：原文给出与 ORT WebGPU 的对比数据和开源加载方式，读者可据此评估浏览器本地推理的可行路径。
上海AI实验室发布 InternLumina-U2，一个 16B 参数（激活 1B）的 MoE 扩散语言模型，用 8 码本全离散视觉表示统一覆盖文本问答、文生图、图像理解与编辑、视频及 3D 理解。
推荐理由：原文给出多码本全离散统一架构的设计细节、基准分数和双硬件适配说明，读者可以了解统一理解与生成模型的一条新路线。
DeepSeek 于 8 月 31 日在 Hugging Face 开源首个多模态模型 DeepSeek-V4-Flash-Vision-Exp，采用 MIT License，公开模型文件、Tokenizer、Prompt Encoding 参考实现及最小化 PyTorch 推理实现。
推荐理由：原文梳理了模型开源内容与能力定位，读者可据此评估其在多模态 Agent 场景中的可用性。
MiniMax 将 H3 Max 768P、480P 接入开放平台和 MiniMax Design，海外开发者已借此搭建出 Twitch 直播和 24 小时“AI 电视台”。
推荐理由：原文给出 H3 Max 的生成速度、吞吐量提升和接入入口，并梳理了社区围绕它做实时直播的具体玩法。
Google DeepMind 在 Nature 发表论文，称 WeatherNext AI 模型在预测气旋路径、强度和风场结构上达到 SOTA，平均为预报员多争取一天预警时间，三天预报精度相当于此前模型的两天水平。
推荐理由：原文给出气旋预报多出一天预警时间的实测结果与开源入口，读者可据此判断气象 AI 的可用边界。
微软研究院发布开源框架 Orchard，核心是 Kubernetes 环境服务 Orchard Env，可复用于软件工程、网页导航和个人助理三类智能体任务，并支持直接在 Codex、OpenClaw、ZeroClaw 等真实部署 harness 中训练。
推荐理由：微软研究院开源 Orchard 框架，公开环境服务、训练流程与数据，读者可据此了解小模型在真实 harness 中训练智能体的可行路径。
Berkeley AI Research 与 IBM Research 将进化式内核搜索框架 K-Search 扩展到 MLX 后端，通过结构化的 CUDA 到 MLX 翻译层，把已有 CUDA 内核作为知识库迁移到 Apple Silicon。
推荐理由：K-Search 把 CUDA 内核优化经验迁移到 Apple Silicon，给出注意力与 Mamba 两个内核的具体加速数据。
Google DeepMind 发布实验性开源模型 DiffusionGemma，采用文本扩散方式并行生成整块文本，在专用 GPU 上推理速度最高提升 4 倍。
推荐理由：Google DeepMind 开源文本扩散模型，给出 4x 推理加速与本地部署的硬件门槛，可据此判断速度优先场景的取舍。
Google DeepMind 发布 Gemma 4 12B，一款面向笔记本本地运行的多模态模型，采用无编码器统一架构，视觉和音频输入直接进入 LLM 主干。该模型在标准基准上性能接近 26B MoE 模型，内存占用不到其一半，可在 16GB 显存或统一内存的设备上运行，并首次在中型模型中支持原生音频输入。
推荐理由：Gemma 4 12B 用无编码器架构把视觉和音频直接接入 LLM，读者可据此判断本地多模态智能体的硬件门槛。