DeepSeek 发布 V4.1-Flash-1017，智能体任务表现超过更大模型并大幅降低单任务成本
DeepSeek 发布 V4.1-Flash-1017，已在官网、App 和 API 上线，模型权重同步开源到 Hugging Face 和 ModelScope。
推荐理由：DeepSeek 新版 Flash 在智能体与编码任务上对标更大模型，同时把单任务成本压到约 0.2 美元。
#开源/仓库
The Decoder精选AI 评分8686
AWS Machine Learning Blog精选AI 评分6969 Reflection AI 发布开源权重模型 Beam，并在 AWS 上部署
Reflection AI 发布面向智能体编码与长周期任务的开源权重模型 Beam，总参数 501B、激活参数 23B，Reflection 称有效上下文长度为 100 万 token，权重以 Apache 2.0 许可在 Hugging Face 发布。
推荐理由：原文给出 Beam 的参数量、上下文长度与三种部署路径，可据此比较托管与自建推理的取舍。
Hugging Face BlogAI 评分5858 NVIDIA 与 IIT Madras 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 实验室发布 Nemotron-pretraining-Indic-v1，覆盖 22 种印度语言的约 2.8 万亿 token，并同步开放用于生成该语料的 GPU 加速数据流程。
Hugging Face Blog精选AI 评分8888 Reflection 在 Hugging Face 开源 501B 模型 Beam
美国新实验室 Reflection 在 Hugging Face 发布首个开源模型 Beam，采用 MoE 架构，总参数 501B、每 token 激活 23B，支持 1M token 上下文，以 Apache 2.0 许可开放，面向编码与智能体场景。
推荐理由：原文给出 501B MoE 的架构细节、多精度基准和部署配置，可据此判断自托管前沿模型的硬件门槛。
Hugging Face Blog精选AI 评分7272 IBM 发布 Granite Switch 4.1：单端点支持对话、决策与语音
IBM 发布 Granite Switch 4.1，提供 8B 和 30B 两个版本，在同一个托管端点内支持自然语言对话、通用与专用决策以及语音转文字任务。
推荐理由：原文说明了多个适配器如何共享同一基座与 KV cache，读者可据此判断多任务部署的显存与速度取舍。
AWS Machine Learning BlogAI 评分5858 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 账户中部署到 SageMaker AI 端点。
NVIDIA Blog精选AI 评分7878 NVIDIA 发布 Nemotron 3.5 Super VL 与 Bolt 系列开源模型
NVIDIA 发布开源模型 Nemotron 3.5 Super VL，参数规模 120B，主打多模态智能体任务，官方称其吞吐量最高可达同类模型的 5 倍。同时推出两款端侧模型 Nemotron 3.5 Bolt 74B-A9B 24GB 和 Bolt E4B 4GB，前者已上线，后者将于 10 月 23 日推出。
推荐理由：原文给出三款模型的参数规模、部署层级和开放权重，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7171 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 四个尺寸。其中 209M 模型在 GIFT-Eval、TIME 和 fev-bench 三项公开基准上排名第一，参数量约为此前 SOTA 的三分之二，结果已提交至 GIFT-Eval 和 TIME 榜单。
推荐理由：原文给出四个尺寸的参数量、三项基准排名和 CPU 推理延迟，可据此判断时间序列基础模型的选型空间。
Hugging Face Blog精选AI 评分8888 Meta 发布开源权重多模态 MoE 模型 Muse Spark Open
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，上下文窗口最高 1M token，可输入文本、图像、音频和视频并输出文本。
推荐理由：原文给出 816B 总参数、42B 激活的 MoE 架构与多模态输入细节，并附 llama.cpp、vLLM、SGLang 部署和 TRL 微调配方。
Hugging Face Blog精选AI 评分7878 Black Forest Labs 的 FLUX.3 Image Klein 上线 Diffusers
Black Forest Labs 的 FLUX.3 Image Klein 发布当天即接入 Diffusers，一个模型同时支持文生图、多参考图生图和用边界框指定布局的布局控制。
推荐理由：原文给出两个开源 checkpoint 的显存与耗时数据，读者可据此判断本地部署和微调的成本。
Hugging Face BlogAI 评分5858 Ai2 发布 HiRO-ACEv2：以约 1/300 成本生成 3 km 全球气候数据
Ai2 发布 HiRO-ACE 系统更新 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，并提升极端事件模拟能力。在输入粗化的 X-SHiELD 数据时，它对最极端雨、风、气压值的统计与目标模拟相差在 3% 以内，还能估算热带气旋总能量并生成具有风眼和雨带的飓风。
Microsoft Research精选AI 评分7272 微软研究院开源 Agent Lightning v1.0：约 3500 行的轻量智能体强化学习框架
微软研究院开源 Agent Lightning v1.0，这是一个约 3500 行代码的轻量智能体强化学习框架，提出 Harnessed Agentic RL 范式，让部署时使用的智能体 harness 直接参与训练，无需在训练框架内重写智能体。
推荐理由：微软研究院开源了约 3500 行的智能体强化学习框架，并给出用 6000 条样本训练编码智能体的完整流程与结果。
Google DeepMind精选AI 评分6464 Google DeepMind 推出 SynthID Bio，为 AI 生成蛋白质加水印
Google DeepMind 推出 SynthID Bio，将水印技术用于合成生物学，把不可感知的签名直接嵌入生物代码，使水印既能在数字模型上验证，也能在合成出的实体蛋白质上验证，同时保持其生物功能。
推荐理由：原文说明了水印如何嵌入蛋白质序列与结构，并给出湿实验验证结果，读者可据此了解生物安全筛查的新思路。
GitHub Blog · AI & ML精选AI 评分6464 GitHub Security Lab 发布 Fuzzing Taskflow 智能体模糊测试流水线
GitHub Security Lab 发布 Fuzzing Taskflow，这是一个面向 C/C++ 项目的自主模糊测试流水线，只需指向一个 GitHub 仓库，它就会自动识别入口点、分析构建系统、编写 harness、运行 AFL++、读取覆盖率报告并改进 harness，还会对每个崩溃做分类并生成漏洞报告。
推荐理由：作者公开了自动化模糊测试流水线的架构与运行方式，读者可了解 LLM 智能体如何接手编写 harness、追踪覆盖率与崩溃分类。
Microsoft Research精选AI 评分6767 微软研究院研究将物理 AI 推理卸载到边缘或云端 GPU
微软研究院对移动机器人操作负载做了系统测量，发现把物理 AI 推理从机器人端侧 GPU 卸载到边缘或云端 GPU 可提升任务成功率并延长续航。
推荐理由：微软研究院系统测量了机器人端侧 GPU 推理的瓶颈，并给出把推理卸载到边缘或云端的工具链方案。
Berkeley AI Research精选AI 评分6262 从 CUDA 到 MLX：K-Search 如何把多年内核经验带到 Apple Silicon
研究团队为 K-Search 演化式内核搜索框架新增 MLX 后端和结构化 CUDA-to-MLX 翻译层，让已有 CUDA 内核作为知识库迁移到 Apple Silicon。
推荐理由：读者可以看到 CUDA 优化经验如何被结构化翻译成 MLX 策略，以及翻译层对搜索结果的量化影响。
Berkeley AI ResearchAI 评分3838 Berkeley AI Research 提出 SPEX 与 ProxySPEX，可在规模化场景识别 LLM 关键交互
Berkeley AI Research 提出 SPEX 和 ProxySPEX 算法，用于在规模化场景下识别驱动 LLM 输出的关键交互。SPEX 利用稀疏性与低阶性把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 10 倍更少的消融达到 SPEX 的性能。在情感分析任务上，SPEX 在上下文扩展到数千特征时仍保持高忠实度，优于 LIME、Banzhaf 等方法。
Berkeley AI ResearchAI 评分3838 伯克利提出基于信息量的成像系统设计框架，登 NeurIPS 2025
伯克利 AI 研究团队提出一个直接以互信息评估和优化成像系统的框架，并在 NeurIPS 2025 论文中验证该指标能在彩色摄影、射电天文、无透镜成像和显微成像四个领域预测系统性能。