水木分子入选央视“中国AI创业十骏”，是榜单中唯一一家AI制药公司，并以对话式平台、模型、技能包和自研管线推进药物研发。ChatDD 分为 Insight、Discovery 和 Trial，覆盖立项、分子设计与临床支持；首批 OpenBioMed 技能包包含 45 项专业技能，并将专家方法转为可复用工作流。
推荐理由：文章拆解水木分子以模型、智能体平台、技能包和自研管线协同的路径，并呈现首条管线七个月推进至临床前候选分子确认的案例。
威卡移动控制于10月19日发布“具身智能赋能工程机械高质量数据集”，并已上线 Hugging Face 等数据仓库。数据集第一阶段规模达到3600万帧，覆盖12类典型作业场景及多型号挖掘机作业数据，通过统一时间戳同步视觉、激光、位姿、力馈和手柄输入五类数据。真实数据采集约每小时5000元，训练一套可用模型大致需要10万小时量级数据，仿真采集成本约为真机采集的十分之一。
推荐理由：文章公开了挖掘机作业数据的五维同步方法、真机采集成本及仿真成本比例，为评估工程机械具身智能数据方案提供了具体参照。
Hy-Nomas 提出一种采用 8B 扩散骨干的视频世界模型，可依据多轮自由文本指令和连续镜头控制生成可变长度片段。模型结合结构化视频描述与动作感知因果注意力，在保留交互历史和动作后果的同时限制动作的作用窗口；视觉语言 Prompt Enhancer（PE）会将用户请求和多模态交互历史转换为下一片段的结构化条件。论文还公开模型权重、代码、基准和轻量适配流程，人工评测显示其表现优于现有世界模型。
推荐理由：论文将多轮指令、历史缓存和动作时间窗约束整合进 8B 扩散骨干的视频世界模型，并公开代码与基准，为复现交互式生成研究提供技术路径。
Liquid AI 发布 LFM3 模型家族，六款 2B 级模型共享 LFM3-1.7B-Base 骨干，覆盖文本、视觉、音频、全模态和结构化决策。LFM3-1.7B 比 LFM2.5-2.6B 少 35% 参数，文本模型在 4-bit 精度下约占 1 GB并支持 256K 上下文；LFM3-Omni-2B 可接收文本、图像、视频和音频并输出文本或语音。
推荐理由：LFM3 以同一 2B 级骨干衍生六款文本、视觉、音频、全模态与决策模型，并给出单 GPU 微调和端侧部署路径，便于评估小模型专业化方案。
面壁发布 MiniCPM-OCR Jev 的 GPTQ W4A16 量化版，将权重体积从约 4.43 GB 降至约 2.41 GB。该 2B 模型接收区域图像和候选 OCR 结果，输出 0 至 1 的正确性评分，可用于自动筛选、人工复核和多 OCR 结果择优。
推荐理由：材料给出量化前后的权重体积、跨模型 AUROC 对比和部署入口，读者可据此评估 OCR 质量筛选的精度与资源取舍。
面壁发布 MiniCPM-OCR-1.0-DSpark-gguf 的 GGUF 量化模型，提供 Q4_K_M 版本，可在本地加载并通过图像输入示例调用。README 给出 llama.cpp、vLLM、Ollama 和 Docker Model Runner 的安装与运行方式。
同一件事，精选收录的是《面壁开源 MiniCPM-OCR 1.0 DSpark 推测解码头，端到端处理效率提升 55%》
MiniCPM-OCR Jev 2B 在 Hugging Face 提供面向 llama.cpp 的 GGUF 构建，可对文本、公式和表格区域评分并返回 0 到 1 的质量分数。仓库提供多个量化文件，Q4_K_M 是 1.274 GB 的最小推荐版本，IQ3_XS 为 1.027 GB；另附 llama-server 启动示例，ctx-size 设为 40960。
推荐理由：原文列出多种 GGUF 量化版本、文件体积与 llama.cpp 启动参数，便于部署者按资源条件选择构建并配置服务。
SoMark 团队正式开源 OXR 文档解析模型，主模型仅 1.3B 参数，在 OmniDocBench、olmOCR-Bench 和 DocParsingBench 上分别取得 97.18、87.84、87.76 分，均居团队公布评测的第一。
推荐理由：三项基准与同条件速度测试并置，读者可据此评估 OXR 的解析精度、速度表现及与对照产品的相对位置。
WorkFactory 通过信息规划和探测修复构建 112,686 个可执行职业任务，并用收集到的教师轨迹微调 Qwen，产出 WorkPilot 智能体模型。
推荐理由：信息规划、探测执行与修复形成了一套可迁移的任务构造方法，多种模型规模的实验结果可用于比较监督训练的收益与规模效应。
SPOT通过预测扩散语言模型的token生成顺序并并行验证候选，在保持精确解码的同时最多减少6.8倍目标模型推理轮次。其0.62M参数模型仅读取目标模型的输出分布，预测顺序并提出候选续写树，由目标模型在单次推理中按状态相等性验证，共享Gumbel噪声使验证在任意温度下保持精确。
推荐理由：SPOT以0.62M参数模型预测token生成顺序并构造候选树，在保持精确解码的同时最多减少6.8倍目标模型推理轮次。
模思智能与OpenMOSS团队开源5B参数生图模型MOSS-Image，4天在海外社区获130万次下载，GitHub达1.4k Stars。模型采用从零预训练的单流扩散Transformer架构，以DiT为主干，结合冻结的Qwen3.5-9B文本编码器与FLUX.2 VAE，重点优化中英文文字渲染、JSON Layout和最长4096 tokens复杂提示词。
推荐理由：文章汇总MOSS-Image的文字渲染、布局控制和长提示词数据，并梳理加速、量化与推理适配，可用于判断其实际可用性。
科大讯飞首发星辰TaaS平台，以星辰MaaS为底层，通过模型调度、智能体引擎、知识工程和工具编排连接模型能力与行业应用。平台覆盖同传翻译、数字员工、办公提效、知识问答、智能营销等场景，并面向企业服务、金融、医疗、教育、能源等行业提供产品与解决方案。平台提出将 Token 消耗嵌入真实业务流程，让每次 Token 调用推动业务任务完成。
推荐理由：星辰TaaS把模型调度、智能体引擎、知识工程与工具编排串成全链路，并给出金融、医疗等行业落地方向。
AutoTavern 的自我改进 LLM 研究智能体在 20 天内构建了 Hearthstone Battlegrounds 模拟器 TavernGym，并训练出可独立完成实战的 TavernAgent。
推荐理由：论文把研究智能体接入模拟器构建、对手校准和策略训练闭环，并计划开源评测任务与模拟器，为复现实验和比较系统能力提供基础。
Google Research 正将 MedGemma、MedSigLIP 用于一线结核病筛查，覆盖胸片分诊、咳嗽声筛查与本地临床推理。团队通过 HAI-DEF 开源胸片嵌入与 MedSigLIP，并发布 4B、27B 开放权重 MedGemma，后者全球下载量已超过 10 million。
推荐理由：文章串联算法验证、监管认证、跨国部署与本地化微调，呈现医疗 AI 从研究走向临床的转化路径与关键环节。
Hugging Face 发布 torch-neuronx 模型支持查询 Space，可查看 Hub 模型能否在不修改代码的情况下运行于 AWS Trainium。
推荐理由：该工具把模型兼容性、分片规模、运行时间和峰值内存集中展示，并附可复现脚本，便于读者评估 Trainium 部署条件。
论文提出并开源 IQuest-Q1，一款面向智能体 CLI 系统的稀疏 MoE 基础模型，总参数量 320B，激活参数量 15B。模型通过预训练、中训和后训练三阶段训练，后训练结合 SFT、领域专用 RL 和 MOPD，并通过模型合并整合不同专家与检查点。arXiv 论文地址为 https://arxiv.org/abs/2610.30949。
推荐理由：论文拆解了预训练、中训和后训练三阶段方案，并披露总参数与激活参数，便于对照理解智能体编码基础模型的构建路径。
腾讯 WeChat Vision 发布 WeVisOne-VL-4B，将对象级视觉任务与像素级视觉任务统一到同一模型中。模型基于 Qwen3-VL，通过结构化 next-token prediction 和 9.6M 参数轻量像素解码器，支持开放词汇目标检测、指代定位、目标计数、目标指向、OCR、指代分割及可提示 alpha 抠图。
推荐理由：模型将对象级与像素级视觉感知统一到同一架构，公开坐标标记、实例标记和 9.6M 参数像素解码器细节，便于对照研究视觉定位、分割与抠图。
AWS 教程在 Amazon SageMaker AI 上部署 Kokoro-82M，并用 Q_max 与 T_total 两项实测配置 TTS 自动扩缩容。在 3,000 ms p95 TTFAB SLO 下，Q_max=50；纯扩容实测耗时 260.2 秒，另计入由策略配置限定的 60.0 秒检测延迟，规划值为 320.2 秒。
推荐理由：文章把TTS自动扩缩容拆成Q_max与T_total两项实测，并用它们推导阈值和冷却时间，方法可迁移到其他延迟敏感端点。
星辰通用人工智能实验室发布并开源意图理解模型Xing4.0-29B-Intent，并提供275.3万条监督微调训练语料、模型权重和官方推理镜像。模型结合意图识别与参数抽取，采用统一模式驱动语义解析框架 USP 输出 JSON，已开始应用于电信万号客服和智能家居音箱。本次由技术团队开展的评测中，模型完整抽取总分58、类别决策总分70，均高于本次参评模型；结果仅反映本次数据和测试设置。
推荐理由：文章提供完整抽取和类别决策两组评测及参评模型明细，读者可比较模型在意图识别、参数抽取和负例误报上的差异。
NVIDIA正与欧洲多国政府及合作伙伴推进开放模型在公共服务中的本地化部署，覆盖医疗、就业、政务协作和主权云等场景。这些方案由公共部门控制数据和基础设施，并结合本地语言、合成人物数据与模型评估工具开展部署。
推荐理由：文章汇总欧洲多国政府采用开放模型和本地化数据建设公共服务的路径，涵盖医疗、就业、政务与主权云等场景，便于对照不同地区的部署方式。
欧洲多家金融机构采用开放权重模型，并基于 NVIDIA 加速计算与自有基础设施构建金融智能。Revolut 正在扩大 PRAGMA 的生产部署，服务首批 80 million 名客户，设计规模可扩展至 3x；bunq 的智能体助手 Finn 在 Nebius 上部署后，以每个答案成本的 60% 达到领先闭源模型的质量。
推荐理由：原文汇总多家欧洲金融机构的自有基础设施部署，并给出成本和处理速度数据，便于对照私有化落地的关键指标。
NVIDIA 发布预训练关系型基础模型 Kumo Relational，连接数据库并描述预测目标后，可在一次前向计算中直接生成结果，无需任务特定训练或特征工程。
推荐理由：Kumo Relational直接面向关系型数据库预测，并以41项任务结果对照监督学习和专家特征流水线，呈现免任务训练的结构化数据建模路径。
Pollen Robotics 与 Hugging Face 联合发布开源双足机器人 Microduck，并演示如何用 NVIDIA Isaac Lab 3.0 与 Newton 在仿真中训练步态策略、导出为 ONNX 并部署到真机。
推荐理由：文章给出 Isaac Lab 仿真训练到 ONNX 真机部署的完整命令与配置，读者可据此复现 Microduck 步态策略工作流。
Mistral 与 NVIDIA 将合作构建由加速计算驱动的 AI 原生工程工作流，将模型、物理建模、工程仿真与设计连接成闭环。双方计划整合 NVIDIA Omniverse、CUDA-X 和 Warp，并开发面向物理模型及 CAE、EDA 智能体的公共基准和开放数据集，用于比较模型准确性、执行时间和计算成本。
推荐理由：原文梳理了 Mistral 模型、物理建模与 NVIDIA 加速计算如何组成工程工作流，并给出公共基准和开放数据集规划。
NVIDIA 在 GTC Berlin 展示 RTX Spark、DGX Spark 和 DGX Station，并公布模型、集群与软件更新。DGX Spark 64GB 将于周五（10 月 23 日）由合作伙伴开始铺货，手动集群最多支持 8 台设备并提供 1TB 统一内存；DGX Station for Windows 预计 12 月推出。
推荐理由：三类本地 AI 硬件分别面向个人智能体、开发集群和企业工作站，文中还给出模型兼容、开放方式与推理优化信息。
NVIDIA CEO 黄仁勋在 GTC Berlin 2026 主题演讲中发布 DSX POD AI 工厂参考设计（部署周期从六个月压缩到 14 天）、OpenShell Reference Architecture 智能体安全架构。
推荐理由：黄仁勋在演讲中串联 AI 工厂、智能体安全、开源模型与具身智能，给出 NVIDIA 在欧洲市场的全栈路径与新产品布局。
Matrix-Game 4.0 通过可执行游戏引擎与自回归视频渲染器分离游戏逻辑和视觉合成，实现低延迟的实时交互游戏世界。轻量引擎维护世界状态并执行交互规则，多模态编码 Agent 将玩家想法转为游戏代码和动态场景描述，渲染器则把低多边形代理画面生成细致视觉。
推荐理由：论文将可执行游戏引擎与自回归视频渲染器解耦，并披露延迟、帧率和显存数据，便于对照评估实时交互方案。
MemT团队开源发布MemT 1.0系列，在选定Transformer模块中加入并行记忆分支，将经验编码为内部动态状态并学习其写入、更新和读取。
推荐理由：MemT 1.0的架构拆解与SWE-bench Verified对照，呈现了原生记忆在成功率、重复运行可靠性和持久状态占用上的具体差异。
AWS 教程在 AtScale 与 Amazon Bedrock AgentCore 上构建 Customer 360 语义层，让 Strands 智能体和现有 BI 工具共用同一套指标定义。
推荐理由：教程完整展示 SML 语义模型、MCP 接入、身份权限与查询下推，可供团队搭建受治理的企业数据智能体。
PyTorch 2.15 大幅改进 Mac 上的 MPS 后端，新增 FP8（float8_e4m3fn）支持，并把 MoE 模型的 grouped matmul。
推荐理由：给出 FP8、MoE 5–6.5× 解码提速、Wan2.2 显存从 270 GiB 降到 8 GiB 等实测数字，本地推理用户可直接对照决定升级。
研究团队提出 AnyGoal 基准与开源库，用于评估世界模型能否将训练中熟悉的状态和动作重组为有效动力学，从而完成新任务的规划。任务基于常用世界模型环境构建，单个状态因素和动作仍处于训练支持范围内，但它们的组合在专家轨迹中代表不足。跨多个环境和世界模型家族的实验显示，当前模型在这些重组下持续失败，论文还分析了不同模型家族、交互机制和评测指标下的失败。
推荐理由：AnyGoal 以熟悉状态和动作的非典型组合构造评测任务，并配套基准与开源库，便于比较世界模型在新规划任务中的泛化边界。
TextRIRO 通过真实图像扰动构造自配对训练数据，并基于条件扩散模型完成场景文本编辑。Shuffle&Crop 在破坏文本语义的同时保留关键风格线索，使模型在真实场景基准上提升准确性与视觉真实性，并缓解合成到真实的域差距。团队还构建了用于长文本识别的 TextRIRO-3M，训练识别模型后显著提高识别准确率，代码已公开。
推荐理由：将字符列打乱与图像裁剪组合成自配对训练数据，为减少场景文本编辑对合成数据的依赖提供了可复用路径。
AKV 提出缓存工程方案，让大语言模型智能体在不修改轨迹的情况下直接管理活跃 KV cache。智能体可用 drop 操作将选定缓存排除出后续注意力计算，或用 repos 操作调整保留键的位置编码；配套服务引擎提供兼容现有 serving API 的无状态接口，并在内部管理有状态缓存复用、淘汰和恢复。
推荐理由：AKV的滚动丢弃策略在基准测试中与阈值触发摘要比较，量化了平均分、成本、吞吐和P95延迟的差异。
vLLM 引入双向 KV 缓存传输机制，让 P-D 分离部署中的 decode 节点把保留的 KV 回传给 prefill 复用，从而降低多轮智能体场景的反复预填充开销。
推荐理由：在 1P1D 部署上以 Qwen3-32B 与 GLM-5-FP8 对比双向与单向 KV 传输的 TTFT 数据，读者可据此判断多轮智能体场景下是否值得启用。
AWS 工程师向开源推理引擎 vLLM 贡献了基于推送模式的 NIXL KV 传输连接器，将传输准备移到后台线程以缩短到首个 token 的关键路径。在 EC2 P5en 搭配 EFA 的 1P1D 部署中以 Qwen3-32B 基准测试，高负载下推送模式 TTFT 最高约为拉取模式的 3 倍，TPOT 改善约 30%；拉取模式仍适用于需要负载感知路由的工作负载。
推荐理由：给出了在 vLLM 中实现 push 模式 KV 传输的架构与复现步骤，读者可在自己的拆分解码部署中参考其后台线程与注册时机设计。
WildAWM 提出一条完全由开源模型驱动的可扩展流程，合成可控环境与任务，用于训练通用计算机操作智能体。其环境同时支持 GUI、MCP 服务和 CLI，并以异构智能体轨迹、跨评审一致性和反事实探针组成执行式质量门控，检查任务可解性、难度及验证器可靠性。
推荐理由：给出从环境合成、质量门控到跨基准验证的完整链路，并公开代码，便于比较计算机操作智能体训练方案。
OpenGCUA 提出开源通用电脑使用智能体完整栈，整合视觉与程序化界面、harness-to-model 决策迁移与代码执行能力。在 OSWorld-v2 上，8 个评估模型（含 GPT-6 Astra 和 Claude Opus 5）任务均分提升 19.6 分，报告步数平均减少 53.0%。项目开源实现、prompt 与评估轨迹，并发布跨设备 SDK 与真实设备 harness 的初步版本。
推荐理由：原文给出开源通用电脑使用智能体的完整栈实现、基准评测结果与跨设备 SDK 雏形，读者可据此与闭源方案对比设计取舍与执行效率。
IBM Granite 团队发布 Granite Switch 4.1 的 8B 与 30B 模型，把对话、通用与安全决策以及语音识别合并到同一端点，整体显存占用与基座模型接近。
推荐理由：文章介绍了 Granite Switch 4.1 如何用 aLoRA 把对话、决策与语音识别合并到单一端点，并给出与 Jev 等模型的推理速度对比，读者可据此评估这种组合架构的实际收益。
NVIDIA 发布开源 Nemotron 3.5 Super VL，并推出端侧模型 Nemotron 3.5 Bolt 74B-A9B 24GB 和 Nemotron 3.5 Bolt E4B 4GB，覆盖从企业服务器到本地及边缘设备的智能体部署。
推荐理由：三款模型覆盖企业服务器到 4GB 端侧设备，并给出参数规模、速度、基准与部署路径，便于比较不同智能体场景的选型。
NVIDIA 在都柏林 AI in Science Summit 上宣布加入欧盟委员会发起的 AI in Science Enablers Initiative，承诺为欧洲科研社区提供开源模型、算力、培训与初创支持。
推荐理由：原文给出 NVIDIA 对欧盟 AI in Science 倡议的投入清单，涵盖开源模型、算力与培训，便于读者了解其与欧洲国家级 AI 工厂和 EuroHPC 超算中心的协作结构。