NVIDIA 发布一套在单张 GPU 上不到一天完成领域嵌入模型微调的流程，基于 Llama-Nemotron-Embed-1B-v2，无需人工标注。流程用 nemotron-3-nano-30b-a3b 从领域文档生成合成问答数据、挖掘难负样本并做多跳展开，再用对比学习微调，实测 nDCG@10 与 Recall@10 均提升约 10%。
推荐理由：NVIDIA 给出了从合成数据、难负样本挖掘到 ONNX/TensorRT 部署的完整嵌入模型微调配方，附真实评测数字。
Hugging Face 发布 2026 春季开源 AI 生态分析，基于平台数据复盘过去一年竞争格局、地理分布、技术趋势与新兴社区。2025 年平台用户增至 1300 万，公开模型超 200 万个，公开数据集超 50 万个；中国模型占过去一年下载量的 41%，行业开发占比从 2022 年前的约 70% 降至 2025 年的约 37%。
推荐理由：Hugging Face 官方以平台数据复盘开源 AI 一年变化，可用于判断开源生态的重心与集中度。
Google DeepMind 发布论文《Measuring Progress Toward AGI: A Cognitive Taxonomy》，提出包含感知、生成、注意力、学习、记忆、推理、元认知、执行功能、问题解决、社会认知 10 项认知能力的分类体系，并配套三阶段评估协议，将 AI 表现对照人类基线分布。
H Company 发布 Holotron-12B，一个基于 NVIDIA Nemotron-Nano-2 VL 后训练的多模态 computer-use 模型，已在 Hugging Face 以 NVIDIA Open Model License 开放。
推荐理由：Holotron-12B 给出混合 SSM 架构在 Agent 长上下文并发下的吞吐对比，可据此判断 computer-use 模型的部署取舍。
Berkeley AI Research 提出 SPEX 和 ProxySPEX，用于在大规模 LLM 中识别驱动模型输出的关键特征、数据与内部组件交互。SPEX 利用交互的稀疏性和低阶性，将搜索问题转化为稀疏恢复问题，可扩展到比既有方法大几个数量级的规模；ProxySPEX 进一步利用层次结构，以约少 10 倍的消融次数达到与 SPEX 相当的性能。
Hugging Face 在 Hub 上推出 Storage Buckets，一种面向生产 ML 中途产物的可变对象存储，可浏览、通过 Python 调用或用 hf CLI 管理。
Hugging Face 对 16 个开源强化学习库做了横评，梳理出异步 RL 训练的通用架构：把推理与训练拆到不同 GPU 池、用 rollout buffer 连接并异步同步权重，避免生成期训练 GPU 空转。
Google DeepMind 回顾 AlphaGo 击败围棋世界冠军十周年，称其标志现代 AI 时代的开端。此后其搜索与强化学习方法衍生出 AlphaGo Zero、AlphaZero，并推动 AlphaFold 2 破解蛋白质折叠难题，AlphaFold 数据库已被超 300 万研究人员使用，相关成果于 2024 年获得诺贝尔化学奖。
Snowflake AI Research 的 Ulysses 序列并行（属 Arctic Long Sequence Training 协议）通过将注意力头拆分到多 GPU，解决超长上下文的显存瓶颈。
Hugging Face 的 LeRobot 发布 v0.5.0，自 v0.4.0 以来合并 200 多个 PR、新增 50 多位贡献者，是其迄今规模最大的版本。
推荐理由：LeRobot v0.5.0 一次性补齐人形机器人、自回归 VLA 策略与流式数据录制，读者可据此判断开源机器人栈的推进速度。
Hugging Face 发布 NXP 的嵌入式机器人 AI 实操指南，覆盖数据集录制、VLA 策略微调（ACT 与 SmolVLA）及端侧优化。指南建议采用顶视、夹爪、左视三摄像头配置，按 10×10 cm 划分 11 个工作区簇、每簇至少录制 10 个 episode，并用 20% 恢复型 episode 提升成功率。
Hugging Face 发布 Modular Diffusers，用可复用 block 组合扩散流水线，作为 DiffusionPipeline 的灵活替代方案，支持添加、删除和替换 block，并可用 .init_pipeline() 把 block 转为可运行流水线。
推荐理由：原文给出可组合模块的 API 写法与自定义 block 示例，读者可据此判断现有扩散流水线能否改造成模块化流程。
Hugging Face 博客发布 PRX 系列第三篇，用 32 张 H200、约 1500 美元算力预算（2 美元/小时/GPU）在 24 小时内完成文本到图像扩散模型训练。该方案堆叠 x-prediction 像素空间训练、LPIPS 与 DINOv2 感知损失、TREAD token 路由、REPA 对齐及 Muon 优化器，并开源训练代码。
Google DeepMind 发布 Gemini 3 系列中最快、最具成本效率的模型 Gemini 3.1 Flash-Lite，今日起通过 Gemini API 在 Google AI Studio 面向开发者预览，企业可通过 Vertex AI 使用。
推荐理由：原文给出价格、速度与基准分数，可判断这款轻量模型在高频工作负载中的取舍。
Google DeepMind 发布 Nano Banana 2（Gemini 3.1 Flash Image），把 Nano Banana Pro 的先进世界知识、推理与画质带到 Flash 级速度，可调用 Gemini 知识库与网页搜索实时信息渲染特定主体，并支持图内文字渲染与翻译。
推荐理由：官方给出 Nano Banana 2 相对前代的能力清单与全线产品入口，便于判断速度与保真度取舍。
Hugging Face 发布长文，介绍 transformers 库为支持 MoE 稀疏架构所做的改造，涵盖权重加载重构、专家后端、专家并行与 MoE 训练四部分。
Hugging Face 宣布 GGML 及其创建的 llama.cpp 加入 HF，Georgi Gerganov 团队的目标是让未来 AI 保持开放，并为 ggml 与 llama.cpp 社区提供规模化和支持。
推荐理由：GGML 团队加入 HF 后，llama.cpp 的维护自主权与长期资源安排是本地推理生态的关键变化。
Hugging Face 发布教程，介绍如何通过 Claude Code、Codex 等编码智能体结合 Unsloth 与 Hugging Face Jobs 微调小模型（示例为 LiquidAI/LFM2.5-1.2B-Instruct）。
推荐理由：原文给出从安装 Skill 到提交 HF Jobs 的完整命令与分档价格，读者可照此复现小模型微调流程。
Google DeepMind 于 2 月 19 日发布 Gemini 3.1 Pro，定位为面向复杂任务的核心推理升级版，在 ARC-AGI-2 上取得 77.1% 的已验证得分，超过 3 Pro 推理表现的两倍。
推荐理由：官方给出 ARC-AGI-2 的 77.1% 得分与多产品线开放范围，可据此判断核心推理能力的提升幅度。
IBM Research 与 UC Berkeley 合作，将 MAST（多智能体系统失效分类法）应用于 ITBench 的 SRE 场景，把原始执行轨迹转成结构化失效特征，共标注 310 条轨迹，覆盖 Gemini-3-Flash、Kimi-K2 和 GPT-OSS-120B 三类模型。
Google DeepMind 最新生成音乐模型 Lyria 3 以 beta 形式在 Gemini 应用上线，用户输入文字或上传图片、视频即可生成 30 秒带歌词或纯器乐的曲目，并配 Nano Banana 生成的封面图。
推荐理由：官方披露 Lyria 3 在 Gemini 中的三项能力改进与 SynthID 音频核验入口，可据此判断生成音乐的可用边界。
Gradio 6 为 gr.HTML 加入自定义模板、作用域 CSS 和 JavaScript 交互能力，前端、后端与状态管理可以全部写进单个 Python 文件，无需构建步骤，几秒内部署到 HF Space。
推荐理由：Gradio 6 的 gr.HTML 打通了单文件前后端与状态同步，读者可据此判断 LLM 一句话生成完整 Web 应用的工作流是否可行。
Google DeepMind 与印度政府机构及本地机构建立 National Partnerships for AI 合作，向印度研究者开放 AlphaGenome、AI Co-scientist、Earth AI 等前沿科学模型，并与 ANRF 合作推动 AI 在科研中的应用。
Hugging Face 构建了一个 agent skill，教编码智能体编写生产级 CUDA kernel，并让 Claude 和 Codex 针对 diffusers 的 LTX-Video 与 transformers 的 Qwen3-8B 两个真实目标端到端生成了可运行的 kernel，包含正确的 PyTorch 绑定与基准脚本。
推荐理由：Hugging Face 把 CUDA kernel 开发知识封装成可安装的 Agent 技能，并给出两组真实基准，读者可据此判断它在自有项目中的复用价值。
Google DeepMind 发布 Gemini 3 Deep Think 的重大升级，这一专用推理模式面向科学、研究与工程难题。
推荐理由：官方给出了 Gemini 3 Deep Think 在多项学术与竞赛基准上的成绩，并首次开放 Gemini API 早期访问。
Hugging Face 博客介绍 Meta 与 HF Mirror 合作的开源框架 OpenEnv，它用 gym 风格 API 和标准 MCP 工具调用接口把智能体接入真实工具与 API，而非模拟环境。
Google DeepMind 发布两篇论文，介绍由 Gemini Deep Think 驱动的数学研究智能体 Aletheia 在专业研究问题上的表现。该智能体带有自然语言验证器，可迭代生成、验证和修正解答，并能承认无法求解，同时借助 Google 搜索和网页浏览梳理文献以避免虚假引用。
推荐理由：两篇论文给出 Gemini Deep Think 驱动的数学研究智能体 Aletheia 在专业数学、物理与计算机科学问题上的实际协作案例。
Transformers.js v4 已发布到 NPM，核心改动是采用完全用 C++ 重写的 WebGPU 运行时，同一份代码可在浏览器、Node、Bun 和 Deno 中运行。
推荐理由：原文列出 v4 的 WebGPU 运行时重写、构建与工程改动，读者可判断浏览器和 Node 端本地推理的可用边界。
SyGra 2.0.0 推出 Studio，把合成数据生成从 YAML 文件和终端搬到可视化画布上，配置流程时同步生成 SyGra 兼容的 graph config 与任务执行脚本。
Hugging Face 上线 Community Evals，基准数据集仓库现在可以注册为 benchmark 并在数据集卡片显示榜单，首批包含 MMLU-Pro、GPQA、HLE。
H Company 发布迄今最大的 UI 定位模型 Holo2-235B-A22B Preview，在 Screenspot-Pro 上取得 78.5% 的 SOTA 成绩，OSWorld G 达 79.0%，已上线 Hugging Face。
Hugging Face 博客指出开源已成为中国 AI 组织近未来的主流路径，其平台上关注度最高的机构是 DeepSeek，第四为 Qwen。截至 2025 年中，Hugging Face 上有超 113k 模型以 Qwen 为基础、超 200k 仓库标注 Qwen，远超 Llama 的 27k 和 DeepSeek 的 6k。
Hugging Face 博客发布 PRX 文本到图像模型训练系列第二部分，用统一实验设置复现并消融近期训练技巧，评估其对收敛与效率的影响。基线为 1.2B 参数的 PRX-1.2B，纯 Flow Matching、无额外目标，训练 100k 步、256×256 分辨率、全局 batch size 256，用 FID、CMMD、DINO-MMD 与吞吐量监控。
Google DeepMind 开始向美国 Google AI Ultra 订阅用户（18 岁以上）开放 Project Genie，这是基于 Genie 3、Nano Banana Pro 和 Gemini 的实验性研究原型，可创建、探索和再创作交互式世界。
Gradio 团队发布开源 Python 库 Daggr，用于把 Gradio 应用、ML 模型和自定义函数串成 AI 工作流，代码定义后自动生成可视化画布。画布支持检视任意节点输出、修改输入并单独重跑某一步，无需执行整条流水线，还能用备份节点替换模型或 Space，并自动保存工作流状态。
推荐理由：Gradio 团队开源 Daggr，用代码定义工作流并自动生成可检视的画布，为多步骤 AI 流程的调试提供了新思路。
Hugging Face 博客介绍新工具 upskill，用大模型生成并评估 agent 技能，再交给小模型使用，在编写 CUDA kernel 任务上做了基准测试。
推荐理由：用教师模型生成 Skill 再迁移到小模型的完整流程，读者可据此评估自己场景下的迁移收益。
继 2025 年 1 月「DeepSeek 时刻」后，中国开源社区在架构与硬件上集体转向 MoE，Kimi K2、MiniMax M2、Qwen3 等均采用该架构。
Hugging Face 团队推出 Alyah（الياه，阿联酋语意为"北极星"）基准，用于评估阿拉伯语 LLM 对阿联酋方言的语言、文化与语用理解能力。该基准包含 1,173 条由阿联酋母语者人工采集的样本，均为四选一多选题，正确选项位置随机分布以避免位置偏差。
Hugging Face 博客复盘了用 verl 框架对 GPT-OSS-20B 做智能体强化学习训练的过程，该模型此前已被验证性能接近 OpenAI o3-mini 和 o4-mini，但尚未验证是否适合智能体 RL 训练。
OpenAI 发布一份实用指南，展示小团队如何借助 ChatGPT 完成数据分析、制作营销素材、管理预算、主持会议并做出更优决策。指南聚焦小团队在资源有限下用 ChatGPT 覆盖多项日常运营任务，属于实操性使用指导，未披露具体模型版本或性能数据。