Hugging Face 发布 AnySpeechRecognizer 与 AnyDecisionModel 两款苹果平台开源 Swift 库
Hugging Face 推出 AnySpeechRecognizer 与 AnyDecisionModel 两款开源 Swift 软件包，支持在苹果平台上本地下载并运行开源语音与决策模型。
推荐理由：为苹果平台开发者补齐了开源语音识别与类型化概率决策接口，可直接在端侧替换原生框架并结合量化模型。
#开源/仓库
Hugging Face Blog精选AI 评分6161
AWS Machine Learning BlogAI 评分2121 用 AWS CDK 编排 SageMaker AI 端点自动扩缩容
针对 SageMaker AI 端点更新时自动扩缩容导致 CloudFormation/CDK 部署失败的问题，文章给出一种可复用 CDK construct，借助 CloudFormation 自定义资源在端点更新前后自动注销并重新注册扩缩容目标。
Hugging Face BlogAI 评分3838 Hugging Face 上线 torch-neuronx 模型支持查询 Space，可查模型能否在 AWS Trainium 上运行
Hugging Face 推出 torch-neuronx 模型支持 Space，可查询 Hub 上热门模型能否不经修改在 AWS Trainium 上运行，并附带可直接执行的 run.py 脚本。
Hugging Face BlogAI 评分3838 IBM Granite 时序模型集成预测方案介绍
IBM 在 Hugging Face 发布 Granite Timeseries Ensemble 预测方案，把四个互补的 Granite 时序模型组合成一个默认可用的集成接口，无需重训、也不拟合集成权重。
NVIDIA Blog精选AI 评分7171 NVIDIA 扩展 Cosmos 平台，新增世界模型训练、评测与部署工具
NVIDIA 扩展 Cosmos 平台，新增训练工具、仿真 checkpoint 和 Cosmos Data Factory 蓝图，并在 GTC Berlin 把 Cosmos Framework 的训练优化技能扩展到更多开放模型，同时发布 Cosmos 3。
推荐理由：原文列出数据工厂蓝图、训练框架与推理加速的完整链路，读者可据此判断世界模型的工程化门槛变化。
Hugging Face Blog精选AI 评分7575 NVIDIA 发布关系型基础模型 Kumo Relational，无需训练即可预测
NVIDIA 发布预训练关系型基础模型 Kumo Relational，直接在企业数据库上做预测，无需任务特定训练、特征工程或表扁平化。在 15 个数据库的 41 项任务上，它超过监督式关系深度学习模型和专家特征工程 GBDT 管线；在 SAP SALT 企业基准上，其 MRR 比 AutoGluon 集成高 8%，微调后扩大到 16%。
推荐理由：原文给出与企业数据库上直接预测的对比结果和开放权重，可供读者判断无需训练的范式在关系型数据上走到哪一步。
Hugging Face BlogAI 评分2828 TorchNeuron 性能剖析（第一部分）：在 AWS Trainium 上做系统级性能分析
Hugging Face 博客发布 TorchNeuron 性能剖析系列第一部分，讲解如何在 AWS Trainium 上用 torch.profiler 配合 Neuron 后端捕获干净的性能 trace。
Microsoft Research精选AI 评分6767 微软研究院推出零知识证明虚拟机 Magnetar
微软研究院发布零知识证明虚拟机 Magnetar，可证明用 Rust、Go、C 编写的程序，在 15 个基准程序上平均比现有最快的同类 zkVM 快 10 至 39 倍。它基于 RISC-V 架构，开发者无需手写密码学电路，安全性仅依赖 SHA-256、SHA-3 等标准哈希函数，不依赖椭圆曲线、格或可信设置。其证明校验时间约 12 毫秒，笔记本上每秒可证明 7.2 至 8.7 百万条处理器指令。
推荐理由：微软研究院的新零知识证明虚拟机宣称比现有最快同类的 zkVM 快 10 至 39 倍，并仅依赖标准哈希函数，读者可借此理解这条技术路线的取舍。
Mistral AI精选AI 评分6565 Mistral 发布时间序列基础模型 Timestral，209M 版本在三项基准居首
Mistral AI 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。最大的 209M 模型在 GIFT-Eval、TIME 和 fev-bench 三项公开基准的预训练零样本模型中均排名第一，参数量为前 SOTA 的三分之二。
推荐理由：原文给出了四个尺寸的参数量、三项基准排名和 CPU 推理延迟，便于横向比较时间序列基础模型的准确率与成本。
Microsoft Research精选AI 评分8080 微软研究院开源 Agent Lightning v1.0，约 3500 行代码的轻量 agent RL 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 agent 强化学习框架，提出 Harnessed Agentic RL 范式，让部署时使用的 agent harness 直接参与训练。
推荐理由：微软研究院开源这个框架，可以直接解决真实 agent harness 接入 RL 训练时重复实现的问题，并给出了可复现的编码智能体训练流程。
Berkeley AI ResearchAI 评分5555 从 CUDA 到 MLX：K-Search 如何将内核优化经验迁移到 Apple Silicon
伯克利 Sky Lab 团队把 K-Search 内核搜索框架扩展到 Apple MLX，用结构化 CUDA-to-MLX 翻译层让已有的 CUDA 内核充当知识库，在 Apple Silicon 上生成高质量内核。
Berkeley AI ResearchAI 评分5151 伯克利提出 ABBEL：让 LLM 用自然语言信念状态更新记忆以支持长程交互
伯克利 AI 研究团队提出 ABBEL 框架，用自然语言信念状态替换完整交互历史作为智能体工作上下文，并对信念状态的内容单独监督。该方法把信念评级作为辅助强化学习任务，在 CollabBench 协同编程中把与全上下文模型的性能差距缩小约 50%，训练步数从 100 降到 50。
Berkeley AI ResearchAI 评分3535 Berkeley AI Research 提出 SPEX 与 ProxySPEX：大规模识别 LLM 关键交互
Berkeley AI Research 介绍 SPEX 与 ProxySPEX 两种算法，用于在大规模场景下识别驱动 LLM 输出的关键交互。SPEX 利用稀疏性与低阶性，把高维交互搜索转化为稀疏恢复问题，在数千特征下仍保持高 faithfulness；ProxySPEX 借助层级结构，仅用约 10x 更少的消融即可达到 SPEX 的性能。
Berkeley AI ResearchAI 评分4040 伯克利团队提出基于信息量的成像系统设计框架
加州大学伯克利分校团队提出一套按信息量直接评估与优化成像系统的框架，利用测量数据与已知噪声模型估计互信息，可预测解码器性能。在 NeurIPS 2025 论文中，该方法在彩色摄影、射电天文、无透镜成像与显微成像四个领域验证有效，优化后的设计可媲美端到端 SOTA 方法，且所需内存与算力更少、无需任务专用解码器。