Reflection 开源 501B 参数 MoE 模型 Beam
Reflection 在 Hugging Face 上开源了 501B 参数的 MoE 大语言模型 Beam，每 token 激活 23B 参数，支持 1M 上下文窗口，许可证为 Apache 2.0。
推荐理由：文章把 501B 开源 MoE 模型的推理部署与 SFT/RL 后训练做法写成可复用的工程方案，适合计划自托管前沿模型的团队对照。
#开源/仓库
#开源/仓库
今日 0 条Hugging Face Blog精选AI 评分6868 Hugging Face Blog精选AI 评分6060 NVIDIA 联合 AI4Bharat 开源 2.8 万亿 token 印度语言预训练语料及数据生成管线
NVIDIA 联合 AI4Bharat（IIT Madras）开源 Nemotron-pretraining-Indic-v1 印度语言预训练语料，覆盖 22 种印度语言共约 2.8 万亿 token，其中 12 种语言同时提供本族文字与罗马化版本。
推荐理由：原文给出了从翻译到质量筛选的完整生成流程与 75/100 阈值等具体参数，读者可据此复现或改造自己的多语种数据管线。
Hugging Face BlogAI 评分5353 Allenai 开源 Olmo-core 3：面向万亿参数 MoE 的训练基础设施
Allenai 发布开源训练框架 Olmo-core 3，将 MoE 训练栈从 FSDP 切换到 DDP，并支持 MXFP8 精度。该系统在专家池从 8 扩展到 128 时激活参数维持在约 3.2B，47B MoE 在 8 块 NVIDIA B300 上的吞吐量约为此前 FSDP 实现的 2.7×。
Hugging Face BlogAI 评分4141 oMLX 创建者 Jun Kim 加入 Hugging Face，支持 MLX 社区
oMLX 创建者与维护者 Jun Kim 加入 Hugging Face，将继续以 Apache 2.0 许可全职领导 oMLX 项目。
NVIDIA BlogAI 评分3939 AI 安全是工程问题：NVIDIA 如何加固 Agent 栈的每一层
NVIDIA 将 AI 安全定义为工程问题，主张在 Agent 栈每一层设置可执行边界、明确责任主体并保留可验证证据。其开源安全运行时 NVIDIA OpenShell 在 Agent 触及范围之外强制执行策略并提供沙箱化执行，Cisco DefenseClaw 在其上增加治理层，JFrog 则集成 OpenShell 扫描并校验 agent 技能。
Hugging Face Blog精选AI 评分6464 Hugging Face 发布 tokenizers v1 候选版：单线程编码速度最高提升 30 倍
Hugging Face 发布 tokenizers v1 发布候选版，相比 v0.23 在十种模型族上单线程编码速度提升 3 到 30 倍，跨 8 线程保持 76% 的线性扩展。
推荐理由：原文给出了 v0.23 到 v1 的实测对比与具体优化手段，可供负责训练或推理链路的工程师评估是否升级到候选版。
NVIDIA BlogAI 评分4040 曼彻斯特大学用 NVIDIA Earth-2 预测英国空气污染
曼彻斯特大学团队用 NVIDIA Earth-2 的生成式模型 CorrDiff，在 Isambard-AI 上两天训练出覆盖全英、分辨率 2-3 平方公里的空气污染模型。
Hugging Face Blog精选AI 评分6565 IBM Research 在 ALTK-Evolve 中加入一致性指南与一致性分析器
IBM Research 在 ALTK-Evolve 中加入一致性分析器和一致性指南模块，目标是缩小智能体跨次执行的稳定性差距。
推荐理由：文章揭示被平均准确率掩盖的智能体一致性差距，并给出基于单条轨迹即可定位易翻转决策点的诊断与稳定化方法。
Hugging Face BlogAI 评分4040 BenchMIRT：LLM 评测基准到底在测量什么？
Hugging Face 提出 BenchMIRT 方法，基于多维 IRT（MIRT）在提示词层面拆解 LLM 评测基准背后的能力信号。该方法在 100 个 LLM、16 个基准和 34K+ 题目上训练，独立恢复出"安全"与"通用推理"两个主导维度。分析显示 BBQ、WMDP 等安全类基准与通用推理关联更强，单一分数可能混合多种信号。
Hugging Face BlogAI 评分5656 Granite 4.2 推理模型如何构建：3B/8B/30B 全流程技术详解
IBM 发布 Granite 4.2 推理模型家族，包含 3B/8B/30B 三个 dense decoder-only 模型，基于 Granite-4.1 基模型后训练并以 Apache 2.0 开源。
Hugging Face BlogAI 评分4848 LiquidAI 发布 LFM2.5-DSpark 推测解码草稿模型，推理速度最高提升 3.18 倍
LiquidAI 为 LFM2.5 系列三款模型（1.2B-Instruct、2.6B、8B-A1B）发布 DSpark 推测解码草稿模型，在 H100 上推理吞吐量最高提升 3.18 倍，M4 Max MacBook 上最高 2.87 倍。
Hugging Face Blog精选AI 评分7272 Sentence Transformers v6.0 教程：使用多向量（late interaction）嵌入模型
sentence-transformers v6.0 新增 MultiVectorEncoder 作为第四类模型，原生支持 PyLate、Stanford-NLP ColBERT 和 colpali-engine 检查点沿用同一套 API 加载。
推荐理由：原文给出从加载、MaxSim 打分到多种向量库落地的完整可运行代码，读者可对照把现有检索管线迁到 late interaction。
Hugging Face BlogAI 评分4646 OlmoEarth Studio 上线自定义嵌入向量导出，支持地球观测下游分析
OlmoEarth Studio 新增自定义嵌入向量导出功能，可基于开源 OlmoEarth 基础模型按需计算并导出为轻量 Cloud-Optimized GeoTIFF（COG）。
Hugging Face BlogAI 评分4747 Hugging Face 新论文：如何让 LLM 知识蒸馏便宜到大规模运行
Hugging Face 新论文将 LLM 知识蒸馏峰值显存从约 250GB 降至约 128GB，方法是离线缓存教师模型 top-100 logits 并采用分块融合 KL 损失。该方案使单张 H200 即可完成长上下文知识蒸馏训练，无需再依赖数百张 GPU 与张量并行，让大规模实验更易开展。
Hugging Face BlogAI 评分5050 Pollen Robotics 发布开源机器人操作数据采集系统 Grabette
Pollen Robotics 在 Hugging Face Blog 发布开源系统 Grabette，用手持夹爪加相机和 IMU 记录人类操作演示，无需机器人本体即可产出可直接训练的数据。
Hugging Face Blog精选AI 评分7373 Thinking Machines 开源 1T 参数多模态模型 Inkling，支持图像文本音频输入
Thinking Machines 开源 1T 参数多模态大模型 Inkling，原生支持图像、文本和音频输入及 1M 上下文，采用 decoder-only MoE 架构（975B 总参数、41B 激活），同步提供 BF16 与 NVFP4 两个权重版本。
推荐理由：原文给出 Inkling 的 MoE 架构细节与多模态能力范围，并附 transformers、SGLang、vLLM 多框架部署示例和主流模型基准对比，方便评估其工程落地方案。
Hugging Face Blog精选AI 评分6969 LeRobot v0.6.0 发布：新增世界模型策略、奖励模型与六个仿真基准
LeRobot v0.6.0 发布，引入世界模型策略（VLA-JEPA、LingBot-VA、FastWAM）、统一奖励模型 API（Robometer、TOPReward）与六个仿真基准。
推荐理由：v0.6.0 把世界模型策略、奖励模型、六个仿真基准和 FSDP/云端训练打包到 LeRobot，可作为观察当前开源机器人学习栈能力面的一份参考。
Hugging Face Blog精选AI 评分6464 SkyPilot 与 Hugging Face Storage 打通：跨云运行 AI 任务且数据读取免出站费用
Hugging Face 与 SkyPilot 联合发布 store: hf 后端，SkyPilot 任务可通过 hf:// URL 把 Hugging Face Bucket 或 Hub 仓库挂载为本地路径，在 20 多个云以及 Kubernetes、Slurm、本地集群的 GPU 上运行，读取模型与数据集免出站流量与 CDN 费用。
推荐理由：Hugging Face Storage 接入 SkyPilot 后，模型和数据集留在 Hub，由 SkyPilot 在多个云上调度 GPU 任务，读取端免出站流量费。
Mistral AIAI 评分5252 Mistral 发布 Leanstral 1.5：面向 Lean 4 形式化验证的开源模型
Mistral 发布面向 Lean 4 形式化验证的开源模型 Leanstral 1.5（Apache-2.0），共 119B 总参数、6B 激活参数。该模型在 miniF2F 验证与测试集均达 100%，在 PutnamBench 上解决 587/672 题，并在 FATE-H 与 FATE-X 上以 87% 与 34% 取得新 SOTA，单题成本约 $4。
Google ResearchAI 评分4444 Google Research 开源水文建模框架，供各国气象机构本地化部署 AI 洪水预报
Google Research 在 GitHub 开源水文建模框架，供各国气象水文部门（NMHS）在自有数据上训练和部署 AI 洪水预报模型。该框架基于 PyTorch 与 LSTM 架构，支持使用开源 Caravan 数据集训练；新版模型将已勘测流域的可预报时长延长 6 天、未勘测流域延长 1 天。
Google ResearchAI 评分4444 Google Research 用 AI 生成合成神经元加速脑图谱绘制
Google Research 提出的 MoGen 模型利用 PointInfinity 点云流匹配技术合成神经元三维形态，将 PATHFINDER 连接组重建模型的错误率降低 4.4%，相当于在小鼠全脑规模下节省 157 人年的人工校对工作。该论文将在 ICLR 2026 上发表，是现代生成式 AI 首次推动连接组重建达到当前最优水平，MoGen 已作为开源模型发布。
Mistral AI精选AI 评分7070 Mistral 发布开源 Mistral Small 4，统一推理、编码与多模态能力
Mistral 发布 Mistral Small 4，采用 119B 总参数 / 6B 激活的 MoE 架构，统一 Magistral 推理、Devstral 编码代理与 Pixtral 多模态能力，支持 256k 上下文和可配置推理强度，权重以 Apache 2.0 开源。
推荐理由：原文给出统一推理、编码与多模态能力的架构与同尺寸模型的输出效率对比，可作为评估开源部署延迟与成本的参考。
Mistral AIAI 评分4949 Mistral 联手 NVIDIA 推动开源前沿模型发展
Mistral AI 作为创始成员加入 NVIDIA Nemotron Coalition，将与 NVIDIA 共同开发前沿开源模型，并贡献多模态能力、微调工具与训练技术。联盟首个项目是基于 NVIDIA DGX Cloud 训练的基座模型，将支撑即将推出的 NVIDIA Nemotron 4 系列。Mistral AI 同日发布 Mistral Small 4，向开发者与组织开放使用。