英伟达正式发布 DGX Spark 64GB 内存版桌面 AI 计算机,起售价 4999 美元
英伟达正式发布 DGX Spark 64GB 内存版桌面 AI 计算机,起售价 4999 美元,10 月 23 日发售。设备基于 GB10 芯片提供约 56GB 可用内存,支持本地部署 Qwen3.8-27B 等开源模型与多机集群扩展,降低智能体开发云端成本。
英伟达正式发布 DGX Spark 64GB 内存版桌面 AI 计算机,起售价 4999 美元,10 月 23 日发售。设备基于 GB10 芯片提供约 56GB 可用内存,支持本地部署 Qwen3.8-27B 等开源模型与多机集群扩展,降低智能体开发云端成本。
Black Forest Labs 发布 Flux 3 模型家族的图像模型 Flux 3 Image,官方称其支持多步编辑而不改动画面其他部分。该模型覆盖文生图、图生图、文字渲染与照片级真实感,支持用边界框构图、最多十张参考图和最高 4K 输出。
openJiuwen团队首发并开源X-Router自演进模型路由框架,在Terminal-Bench实测中以51.4%更低成本达到Opus 95.2%成功率。该框架通过能力画像、动态决策与反馈闭环实现动态路由,支持端侧云侧多种部署形态,代码已发布于GitHub。
文章展示了如何在 Amazon EKS 上部署 NVIDIA NeMo Agent Toolkit (NAT) 1.6,并将 Amazon S3 Vectors 实现为自定义持久记忆层。该方案利用 S3 Vectors 支持单索引 20 亿向量及强写入一致性,满足生产级多智能体系统对弹性存储和成本效率的需求。这是继此前探讨 S3 Vectors 架构优势后,进一步落地具体实现的技术指南。
Amazon Web Services 发布开源决策模型 Strands Decider 2B,受 Jev 启发,以低成本和置信度评分适配智能体工作流的步骤决策。该模型基于 Qen3.5-2B 构建,完全开源可本地运行,由 Strands Labs 推出;同周 OpenAI 也宣布了类似产品,反映决策模型涌现。
TinyFish 启动学生与大使计划,付费支持开发者基于其 Web API 构建 AI 智能体。参与者通过完成每月发布的任务获取奖励,如构建智能体应用可获 50 积分及 $50 礼品卡,达标后自动晋升并解锁认证。此前该公司曾与 Mango Capital 合作举办加速器,新计划旨在触达早期选择工具的学生和独立开发者。
AI 初创公司 Photon 完成 450 万美元种子轮融资,旨在通过 iMessage 和 WhatsApp 等消息平台构建智能体以取代传统移动应用。该平台已吸引超过 40,000 名开发者注册,营收在四个月内增长 10 倍,并提供 99.95% 正常运行时间的托管服务。
量子位报道 Anthropic 发布报告,警告智谱 GLM-5.3 具备强网络漏洞利用能力且护栏易绕过。报告实测 ExploitBench 中 GLM-5.3 成功 50/410 次,接近 Claude Mythos Preview 的 56 次,并指出 abliteration 可将其拒答率降至约 3%。
推荐理由:文章梳理 Anthropic 对智谱 GLM-5.3 网络能力与护栏绕过的实测警告,对比其此前蒸馏指控,揭示开源模型安全治理的行业分歧。
Hugging Face 发布 Open TTS Leaderboard,旨在解决开源 TTS 模型评测碎片化及竞技场模式难以覆盖长尾模型的问题。该基准使用 Qwen3 ASR 计算 WER/CER 评估可懂度,结合 H200 GPU 上的 RTFx 和 TTFA 衡量速度,并通过 WavLM 嵌入计算说话人相似度。
NVIDIA 发布开源表格基础模型 Kumo Tabular,支持分类与回归任务,单次前向传播即可预测新行标签,无需训练或特征工程。该模型在 TabArena、BeyondArena、TALENT 和 ScoringBench 四个基准测试中均排名第一,提供 28M 至 215M 参数三种尺寸,基于 OpenMDW-1.1 许可证开放商用。
推荐理由:该模型在四个基准测试中排名第一,展示了无需训练即可处理表格数据的效率与准确性平衡。
在 Amazon SageMaker AI 上部署同一个 AWS vLLM-Omni DLC 镜像的两个端点:实时端点运行 FLUX.2-klein-4B 生成图像,异步端点运行 Wan2.1-VACE-1.3B 生成图像条件视频。文本提示词先生成 PNG,再连同运动提示词经 Amazon S3 传给视频端点,生成的 MP4 存回 S3,示例提供命令行与 Streamlit 界面。
Hugging Face Hub 上线 RL 环境过滤器与框架标签,将强化学习环境以数据集仓库形式统一托管与发现。支持 Harbor、Verifiers、OpenEnv、NeMo Gym 等框架标签,页面生成对应运行命令。已有 BeyondSWE、Terminal-Lego 等多套环境接入,旨在解决跨框架环境孤岛问题。
TinyAIArena 是一个让四个 AI 模型在 8×8 网格上进行生死对决的项目,旨在提供比传统基准测试更直观的视觉化竞争体验。用户可点击任意比赛观看智能体实时对抗,以智力决出胜负。该项目在 Hacker News 上获得 120 分及 45 条评论。
AWS 展示在 Amazon SageMaker HyperPod 上用开源 RL 框架 SkyRL 训练 Qwen3-VL-8B 视觉语言模型走迷宫,基于 GRPO 从 VisGym SFT 检查点出发,在固定 64 个迷宫的评测集上把解迷宫成功率从 43.75% 提升到 95% 以上。
阿里云 Qwen 团队开源的 Qwen3-TTS-12Hz-1.7B-Base 现已上线 Amazon SageMaker JumpStart,可部署到全托管实时推理端点,仅需几秒参考音频和对应文本即可克隆音色,无需重新训练。
NVIDIA 联合 Google DeepMind、EMBL-EBI 等机构,通过 AlphaFold Database 开放了超过 2800 种病毒的蛋白复合物 3D 结构预测数据。该数据集利用 AlphaFold2 和 NVIDIA BioNeMo Inference Runtime 生成,其中约 30% 的蛋白相互作用是科学界首次记录,旨在帮助科学家提前储备应对未来大流行的知识。
推荐理由:NVIDIA 与 Google DeepMind 等机构开放了 2800 多种病毒的蛋白复合物 3D 结构预测数据,为未来疫情应对提供基础生物学知识储备。
微软研究院对移动操作机器人工作负载做了系统性测量,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、支持更大模型并延长续航。
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,并给出可复用的卸载工具链,读者可据此判断物理 AI 的部署取舍。
NVIDIA 在新加坡 AI Day 展示合作伙伴利用 Nemotron 和 Cosmos 模型加速东南亚 AI 落地。新加坡 HTX 使用 Nemotron 3 Super 和 Nano Omni 推进公共安全 AI,泰国 iApp Technology 基于 Nemotron 3 Nano 微调的开源法律模型已服务约 43,000 名用户。
NVIDIA 在 ROSCon 大会上发布 Isaac ROS 5.0,引入智能体工作流以加速机器人应用构建与部署。该版本支持 ROS Lyrical 和 Ubuntu 24.04,提供 FoundationPose 推理库使物体位姿估计速度提升 5.5 倍,并包含用于设置和操作的 Isaac 技能。
推荐理由:Isaac ROS 5.0 引入智能体工作流与 FoundationPose 加速,为开发者提供从构建到部署的完整物理 AI 开发路径。
小米发布 MiMo-V2.6 系列两款原生全模态开源模型,MiMo-V2.6-Pro 为 1.02T 总参数、42B 激活参数,Artificial Analysis 智能指数 46,位列开源权重模型首位,定价 $0.435/M 输入、$0.87/M 输出 token,采用 MIT 许可。
推荐理由:小米首次进入前沿开源模型序列,其RL环境与训练配方开源,可观察后训练成本压缩到何种程度。
oMLX 创建者 Jun Kim 加入 Hugging Face,继续领导该项目并保持 Apache 2.0 开源协议。Hugging Face 将利用 oMLX 作为新想法的测试平台,重点优化从 transformers 模型定义到 MLX 参考实现的转换流程,以加速本地 AI 生态发展。
小米发布并开源 MiMo-V2.6 系列,包含原生全模态模型 MiMo-V2.6-Pro 与主打低成本效率平衡的 MiMo-V2.6-Flash,覆盖编码、视觉任务与计算机操作。
NVIDIA 提出 AI 安全应作为工程问题处理,需要明确的安全需求、可执行的管控、指定负责人和防护有效的证据。其开源安全运行时 NVIDIA OpenShell 在智能体之外强制执行策略并提供沙箱化执行,Cisco DefenseClaw 与 JFrog 已在其上构建治理与技能扫描能力。NVIDIA 还联合 Open Secure AI Alliance 推动研究成果与工具共享。
Latent Space 汇总了 Jev 发布两天内出现的 6 个复现方案,包括基于 ModernBERT-large 的 Laya(421M 参数)、基于扩散模型的 DiffusionGemmaJev、Qwen3.5-9B LoRA 微调的 Bespoke Nimble、SemIf(原 OpenJev,4B 与 35B)、Jevlike 和 Kev-0.5B。
Mozilla 与 Mistral 达成合作,使 Firefox 测试版 AI 浏览助手 Smart Window 改用 Mistral 模型驱动。该助手可解读复杂搜索、跨标签找回信息,初期覆盖法国和北美,后续扩至英德,模型按区域语言微调且默认零数据保留。这一合作将 Mistral 的开源模型带向浏览器普通用户,延伸其企业市场外布局。
Mistral 宣布与 Mozilla 建立合作伙伴关系,Firefox Smart Window(beta)现由 Mistral 模型驱动。该功能旨在帮助用户理解复杂搜索、记忆点击过的内容并基于浏览器标签页溯源信息,目前面向法国和北美用户开放,英国和德国预计今年晚些时候跟进。
推荐理由:Mistral 与 Mozilla 合作将开源模型引入 Firefox,展示了隐私优先的浏览器 AI 落地路径。
Apodex 发布 Apodex 1.1 模型家族,旗舰为 397B 模型、260K 上下文窗口,另有 35B 开源权重版本 Apodex 1.1 mini。
曼彻斯特大学团队基于 NVIDIA Earth-2 的 CorrDiff 生成式降尺度模型,用一年英国逐小时污染数据训练出覆盖全英、分辨率 2-3 平方公里的空气污染模型,在 Isambard-AI 的单节点八卡上仅用两天完成训练。
IBM 研究团队在 ALTK-Evolve 中新增一致性指南,用于缩小 Agent 的稳定性差距。在 AppWorld test_normal 的 168 个任务上。
推荐理由:原文给出 Pass^k 与一致性差距的量化结果,并说明如何用一次采样定位易翻转的决策点。
Cloudera 与 Mistral 宣布建立合作伙伴关系,旨在将 Mistral 模型集成至 Cloudera 混合数据平台,支持企业在私有云、本地及完全隔离环境中运行推理。该合作允许企业利用专有数据训练定制模型,实现数据与智能的完全自主控制。
Hugging Face 博客介绍如何在 Hugging Face Jobs 上跨机运行 AsyncGRPOTrainer:训练 Job 只把 LoRA adapter 写入 Storage Bucket,两个 vLLM Job 从同一挂载路径读取,代理负责加鉴权头、按 KV 前缀路由 rollout 并把 adapter 加载广播到所有副本,全程不需要 NCCL。
推荐理由:原文给出跨机异步 GRPO 的完整工程配方与五轮瓶颈定位数据,可迁移到自建 RL 训练流水线。
Mistral 宣布完成 30 亿欧元 D 轮融资,投后估值超过 210 亿欧元,由三星电子领投。这笔资金将用于扩展前沿研究、计算容量及基础设施,以支持其在全球 20 个国家服务 125 家以上企业的关键任务 AI 转型。Mistral 强调其全栈开放策略旨在提供数据、模型、计算和系统层面的主权控制,避免客户被锁定在单一供应商的路径中。
推荐理由:Mistral 完成欧洲最大规模融资,旨在构建包含模型、基础设施与产品的全栈主权 AI 体系。
Keygraph 发布开源 AI 渗透测试工具 Shannon 3.0,新增多阶段安全代码分析流水线,与 recon 和漏洞 Agent 并行,先建立组件、接口、依赖、数据流与信任边界视图,再验证漏洞。
IFM 发布 K2 Horizon 模型家族,包含 0.9B、3.7B、7B、32B、36B 和 375B 六款语言模型,并公开各模型训练代码与日志。模型与代码基于 Apache 2.0 许可,额外释放中间检查点及奖励黑客行为记录,便于社区审计;这是 IFM 自 LLM360 线以来首次覆盖端侧到 375B 智能体全尺寸范围。
Hugging Face 发布 funes,一个面向 Claude Code、Codex、pi 和 Hermes 的持久记忆层,从本机已有会话构建索引,一条命令即可接入智能体。
推荐理由:funes 把编码智能体的会话轨迹变成可检索的本地记忆,读者可据此判断跨智能体、跨机器的上下文延续方式。
Hugging Face 发布 @huggingface/kernels,一个从 Hugging Face Hub 加载并运行优化 WebGPU 内核的轻量库,同时上线 207 个内核的初始集合,均以独立仓库形式发布并采用 Apache-2.0 许可。
推荐理由:Hugging Face 把浏览器推理的底层算子做成可版本化、可测试的独立仓库,并给出与 ORT WebGPU 的实测对比。
Google 发布 TimesFM-3,这是其新一代时间序列基础模型,原生预训练支持多变量预测,参数量 3.3 亿,预训练语料超过 1 万亿个时间点。模型支持多目标、历史协变量和已知未来协变量,采用交替注意力架构与 Contiguous Patch Masking,单次前向传播即可生成整个预测区间,并为每个目标输出 10 到 90 分位的 9 个分位数。
Voice Arena 与 Hugging Face 合作,在 Open ASR Leaderboard 上新增 Monsoon en-IN 和 Monsoon hi-IN 两个评测集,印地语成为该榜单多语言标签页上的首个印度语言。
推荐理由:Open ASR 榜单新增印地语与印度英语评测集,并公开说话人元数据,读者可了解语音评测如何从单一 WER 转向按人群拆解。
Sentence Transformers v6.0 新增第四种模型类型 MultiVectorEncoder,支持 ColBERT 式后期交互检索,并提供完整训练方案。
IBM Granite 团队发布 Granite 4.2,这是其首个稠密、decoder-only 的推理模型家族,包含 3B、8B、30B 三个尺寸,均以 Apache 2.0 许可开源。
推荐理由:IBM 公开了 Granite 4.2 从预训练到多阶段 RL 的完整构建流程,可对照其分阶段课程与奖励设计理解推理模型如何训练。