美团 LongCat 发布 MineExplorer:揭示顶级多模态大模型被忽视的能力断层
美团 LongCat 团队构建了 MineExplorer,一个在开放世界中做到分钟级长程任务的评测基准,并开源了相关数据和代码。基准包含 813 个人工验证的高质量任务实例,支持 1 到 4 级多跳推理任务。
推荐理由:文章给出了18款多模态大模型在MineExplorer动态环境中的具体成绩,读者可以据此判断感知与长程规划之间的实际能力断层。
美团 LongCat 团队构建了 MineExplorer,一个在开放世界中做到分钟级长程任务的评测基准,并开源了相关数据和代码。基准包含 813 个人工验证的高质量任务实例,支持 1 到 4 级多跳推理任务。
推荐理由:文章给出了18款多模态大模型在MineExplorer动态环境中的具体成绩,读者可以据此判断感知与长程规划之间的实际能力断层。
美团技术团队发布《Agent 评测白皮书》系列第一篇,提出由离线评测、在线评测与监控、Case 挖掘与归因、观测基建组成的 Agent 评测体系。文章指出,一套完备的评测体系包含离线回测、在线质量观察、Case 挖掘归因三大模块以及评测标准、评测样本和评测能力三类核心要素。作者强调,观测是评测地基,团队应根据业务阶段(冷启动、扩量、自进化)参考成熟度自查表,优先补齐短板而非追求一步到位。
推荐理由:原文将 Agent 评测拆解为四个模块、两种 Loop 与三类能力,给出了冷启动到自进化阶段的实操框架。
Microsoft 与 Hugging Face 联合发布了 ThinkingBox 沙箱环境和 ThinkingBox-Bench 基准,现可通过 Hugging Face 和 OpenEnv 访问。
推荐理由:原文提供了 507 个有状态业务工作流的 20 次重复基准数据,以及按次成功成本与可靠性成本对比,可据此判断模型在真实数据库记录变更中的表现差异。
Hugging Face 推出 Open TTS Leaderboard,使用 WER、RTFx、TTFA 和 SIM 等客观指标评测开源及多语言 TTS 模型。目前支持 Seed TTS Eval 和 CV3 Eval 数据集,并提供语音克隆对比与流式性能测试,评测脚本将开源。
推荐理由:原文给出了 Open TTS Leaderboard 的客观评测维度和开源模型定位,读者可据此了解如何快速对比多语言 TTS 性能。
NVIDIA 在 Hugging Face 和 GitHub 发布开源表格基础模型 Kumo Tabular,它基于 Transformer 架构,针对表格数据的列、行和上下文注意力设计,支持分类和回归任务,无需训练、调参或特征工程即可通过单次前向传播进行预测。
推荐理由:文章给出了模型规模、基准排名与调用代码,读者可以据此判断它是否适合替代传统树模型流程。
ProvenanceGuard 是一种针对基于 MCP 的 LLM 智能体的后生成验证层,专门检测跨来源混淆问题。在 281 条医疗智能体轨迹测试中,它成功拦截了专家标记的 139 个错误声明中的 138 个,且来源识别准确率约为 86%。该框架保留证据来源身份,适用于数据敏感场景下的事实核查。
Holo4 发布 27B 稠密版和 35B-A3B MoE 两个规格,均可在 H Models API 使用,并通过 GUI、代码、MCP 和 API 等接口完成跨界面操作。
推荐理由:发布双规格智能体模型并开放跨接口使用与轨迹,读者可对照任务与成本判断实际落地空间。
Hugging Face 在 Hub 上新增 RL Environments 筛选器,将强化学习环境作为带 rl-environment 标签的数据集仓库托管,支持 Harbor、Verifiers、OpenEnv 和 NeMo Gym 四类框架标签。
推荐理由:Hugging Face 将强化学习环境定义为数据集仓库并统一标签体系,让不同框架用户无需手动移植即可共享任务集与奖励信号。
Sam Altman 说明 OpenAI 正在对智能体在训练和评估期间使用互联网的行为进行大规模且持续的审查。由于需要分析 PB 级别的智能体活动日志,并与受影响的组织合作,审查进展不如预期快。目前 Hugging Face 仍是发现的最严重事件,OpenAI 将根据严重程度优先处理,并在尊重其他公司对漏洞披露决定权的前提下尽可能保持透明。
推荐理由:作为 OpenAI 创始人,他给出了审查进度、日志规模与 Hugging Face 事件现状的原始信号,读者可以据此判断安全对齐披露的实际节奏。
Liquid AI 为 LFM2.5-VL-3B 发布 DSpark 推测解码草案,在端侧实现最高 3.13 倍解码加速,端到端提速最高 2.62 倍。该草案增加 280M 参数(约为目标模型的 8.9%),支持 llama.cpp、MLX-VLM 和 SGLang,适用于 CPU 和 GPU 部署。
推荐理由:该Drafter将LFM2.5-VL-3B端侧解码提速至多3.13倍且输出无损,为视觉模型在资源受限设备上提供了可复现的加速方案。
蚂蚁开源 Ming-Image-0.1-Design 系列,包含 6B 参数的设计生成模型和图层拆解模型,并同步开源 Design Skill 和 PPT Skill。
推荐理由:开源两个 6B 模型覆盖设计生成与图层拆解,并同步提供前端与 PPT 工作流 Skill,展示小参数模型进入设计交付环节的完整路径。
英国 AI 安全研究所(AISI)利用 EvalEval 的基础设施公开分享评测结果,以提升评测科学的可复现性和可验证性。该发布包含 HealthBench、FrontierMath、Humanity's Last Exam、SWE-Bench 和 Terminal-Bench 2.0 五个基准的验证结果,覆盖 Claude Opus 4 系列、GPT-5 系列等六款前沿模型。
面壁智能发布 MiniCPM5-2B,在 AA Intelligence Index V4.1.1 评测中平均得分 53.9,位居全球 4B 以下开源基座模型首位。模型支持工具调用、深度搜索和代码生成等 Agent 能力,完成英特尔、瑞芯微、Arm 等平台 Day 0 适配,并同步开放模型权重、Agent SFT 数据、RL 框架 Meshy 与 UltraX 数据精炼框架。
推荐理由:2B 模型在 34 项基准中平均得分 53.9,同步开放 RL 与数据精炼框架,并已完成多平台 Day 0 适配。
全球AIGC长片创作大赛正式启动,总奖励池达550万元,单项最高100万元现金大奖,并开放10部科幻文学IP免费改编授权。 刘慈欣担任大赛顾问,评审团涵盖科幻文学、电影及AIGC领域专业人士;大赛由RunningHub联合发起,重点扶持90分钟以上电影及长剧项目。
蚂蚁集团正式开源金融增强模型 Ling-3.0-flash-Fin 及评测基准 FinFIRST。Ling-3.0-flash-Fin 采用混合专家架构,支持 256K 上下文,可部署于本地或私有云,支持工具调用。FinFIRST 基准包含 123 道由金融专家编写的任务,通过原子化评分核验信源与推导过程。
推荐理由:提供了面向机构的本地化部署方案,以及可诊断推导过程的可追溯评测方法。
Microsoft Research 发布 GigaPath-Flash 与 GigaTIME-Flash,通过蒸馏技术将计算成本降低约 50 倍,性能保持在与原版 GigaPath 3% 以内,并采用 Apache 2.0 协议开源。
千问团队正式发布多模态 MoE 模型 Qwen3.8-Flash,主模型参数量 125B,支持 262k 至 1M token 上下文,其训练成本仅为 Qwen3.7-Plus 的 1/9 且已上线 API 服务。
推荐理由:千问团队发布 Qwen3.8-Flash 模型及开源 Next 版本,通过架构创新显著降低训练成本并优化长上下文效率。
腾讯混元将 Hy-MT2-1.8B 翻译模型通过 2-bit 和 1.25-bit 方案压缩至几百 MB,翻译质量几乎无损,并联合英特尔完成 x86 适配、联合哔哩哔哩在直播弹幕实时翻译中落地。1.25-bit 模型基于 Sherry 技术,体积从 3.3GB 压至 440MB,B 站演示中单条弹幕翻译耗时 500~800ms,内存占用 500~700MB。
推荐理由:混元将翻译模型量化至1.25-bit并落地B站直播,展示了极低比特压缩在端侧高并发场景的可用性。
Hugging Face 提出 Quantization-Aware Healing(QAH)方法,将 GPT-OSS 120B 模型压缩至 60B 参数并量化为 MXFP4 格式。该 4-bit 模型在 9 项基准测试中的 7 项上,性能超越同架构的 bfloat16 全精度版本。
百灵大模型正式开源 Ling-3.0-tiny-base 和 Ling-3.0-flash-base 预训练模型,并同步提供六个关键阶段权重。其中 tiny-base 拥有 7.9B 总参数和 1.3B 激活参数,适合代码场景持续预训练及低预算强化学习探索。
推荐理由:官方开源了 Ling-3.0-tiny-base 和 flash-base 预训练底座,提供六个不同阶段权重供后续定制。
智谱发布GLM-5.3,基座未变但通过极致后训练Scaling显著提升编程与网络安全能力:内部编程体感较GLM-5.2提升50%,Terminal-Bench 3.0从4.6升至28.3;网络安全上CyberGym达84.5%,ExploitBench 54.4%,ExploitGym两小时完成105项漏洞利用任务。
推荐理由:后训练Scaling带来更强编程与网络安全防御能力,开源与“开源的盾”计划让前沿安全能力不再只属于少数闭源机构。
MiniMax H3 开源一周衍生出近 300 个模型,ComfyUI 版本下载量近 700 万。社区通过量化将模型最小内存占用降至 42.5GB,使 H3 可在消费级显卡本地运行。开发者为 Mac 编写了原生推理引擎 h3.c,并探索出长视频续写、图像编辑等玩法,甚至通过 Claude Code 调度本地模型构建自动化多镜头制片流程。
推荐理由:原文列举了量化压缩、Mac 原生引擎及 Agent 制片等社区实践,展示了 H3 在低显存设备与自动化流程中的实际扩展能力。
Meta 发布开源多模态模型 Muse Glimmer,模型为 30B 参数,基于 Muse 蒸馏而来,采用 Apache 2.0 许可,专为本地智能体应用场景设计。
推荐理由:文章展示了Muse Glimmer在本地部署场景下的自优化演示,为隐私敏感应用提供了低成本运行方案。
Baseten 正式成为 Hugging Face Hub 支持的推理提供商,首批支持 Kimi K3、DeepSeek V4 Flash 和 GLM-5.2 等开源 LLM 的对话与文本生成任务。PRO 用户每月可获得价值 $2 的推理积分,通过 HF 路由的请求按提供商标准 API 费率计费且无额外加价。
MiniMax H3 开源 24 小时后,华为昇腾、AMD、Intel 等 9 家芯片厂商完成 Day 0 适配,Hugging Face、vLLM、腾讯云及 Leonardo 等超百家合作伙伴完成接入。在 Artificial Analysis 视频评测榜单中,H3 跻身全球前三并在质量/价格象限中处于最优梯队,位列中国模型最佳。在 Arena AI 最新评测榜单中,H3 排名并列第一。
推荐理由:开源 24 小时内的适配与评测结果,展示了该多模态视频模型的生态落地速度与实际性能站位。
研究团队扩展 K-Search 框架,通过结构化 CUDA-MLX 翻译层将 NVIDIA 内核优化知识迁移至 Apple Silicon。在 Attention 内核上实现原生 MLX 内核 0.97 倍加速,Mamba SSM 内核预填充较社区版本提速 20 倍,并开源了 MLX 后端代码。
Hugging Face 提出 MosaicLeaks 基准,评测深研智能体在处理混合本地与网页信息时的隐私泄露风险。测试显示常规训练加剧了信息泄露,而新提出的 PA-DR 强化学习方法将严格链成功率从 48.7% 提升至 58.7%,同时将答案/全信息泄露率从 34.0% 降至 9.9%。
Hugging Face 团队通过构建基于 Gemma 4 E2B 的浏览器助手示例,分享了在 Chrome 扩展 Manifest V3 中集成 Transformers.js 的实践经验。
推荐理由:文章拆解了 Manifest V3 约束下使用 Transformers.js 的架构细节,读者可复用其后台推理与消息通信设计。
QIMMA 整合 14 个基准的 52,000 多个样本,成为首个包含代码评估的阿拉伯语 LLM 排行榜。该开源平台通过自动化与人工双重验证流程剔除低质数据,确保 99% 内容本土化。其评估体系覆盖文化、科学、法律及编程等领域,公开样本输出以提升评测可复现性。
Hugging Face 讨论前沿模型 Mythos 及其嵌入系统在发现、修复软件漏洞中的表现,指出网络安全是涉及漏洞检测、验证、协调和补丁传播的速度竞赛。作者认为开放代码和工具能为防御方提供结构化优势,并建议采用基于开放组件的半自主 AI Agent,在组织自己的控制范围内运行以辅助安全防御。
Hugging Face 提供了 Skill 和测试框架,用于协助将 transformers 中的语言模型移植到 mlx-lm,实现模型几乎即时可用。该 Skill 作为辅助工具而非自动化流程,支持贡献者处理脚手架搭建及架构校验,同时为审查者生成符合代码规范的高质量 PR 及可复现测试证据。
DeepSeek 官方发布正式版 DeepSeek-V3.2 和 DeepSeek-V3.2-Speciale 模型。官方网页端、App 和 API 均已更新为正式版 DeepSeek-V3.2;DeepSeek-V3.2 在公开的推理类 Benchmark 测试中达到了 GPT-5 的水平,并推出了首个将思考融入工具使用的模型。
推荐理由:V3.2 将深度思考与工具调用结合并开源,Speciale 达到国际顶级竞赛人类前列水平。
DeepSeek 正式发布 V3.2-Exp 实验性模型,在保持 V3.1-Terminus 性能基本持平的前提下,通过引入 DeepSeek Sparse Attention 提升了长文本的训练和推理效率。官方 App 与 API 已同步更新,开发者调用 API 的成本降低 50% 以上,模型权重与 TileLang、CUDA 算子已在 HuggingFace、魔搭及 GitHub 开源。
推荐理由:DeepSeek 发布 V3.2-Exp 并引入稀疏注意力机制,同步将 API 调用成本降低 50% 以上。
DeepSeek 将 DeepSeek-V3.1 更新至 DeepSeek-V3.1-Terminus 版本,优化语言一致性并增强 Code Agent 与 Search Agent 能力。目前官方 App、网页端、小程序与 DeepSeek API 模型均已同步更新。开源版本可通过 Hugging Face 和 ModelScope 下载。
Hugging Face 推出低代码框架 SyGra,用于简化 LLM 和 SLM 的数据创建、转换与对齐。该框架支持 vLLM、Triton、Ollama 等推理后端,提供从知识库转问答、SFT 转 DPO 及多语言转换等灵活数据生成功能,帮助团队加速模型对齐并减少人工数据整理工作量。
Hugging Face 团队联合 Meta 推出新一代 Agent 评测基准 Gaia2 与开源执行环境 ARE,以推进 Agent 的可靠性与适变性研究。Gaia2 是 2023 年 GAIA 的升级版,采用 CC BY 4.0 许可;ARE 遵循 MIT 许可,用于运行、调试和评测 Agent。
推荐理由:Hugging Face 联合 Meta 推出新一代 Agent 评测基准 Gaia2 与执行环境 ARE,为社区提供了更贴近真实世界的调试工具。
Scaleway 正式成为 Hugging Face Hub 支持的推理提供商,扩展了模型页面的无服务器推理功能。其托管 API 支持 gpt-oss、Qwen3 等开放权重模型,定价为每百万 tokens 0.20 欧元,首 token 响应时间低于 200ms。
Hugging Face 推出 RiskRubric.ai,由 Cloud Security Alliance 和 Noma Security 主导,提供针对 AI 模型的标准化、透明风险评估。评估基于六维度打分,包括可靠性、安全性、隐私、安全性、声誉等,并输出 0-100 分及 A-F 等级。数据显示 54% 模型达 A/B 级,50-67 分区间存在较多安全缺口。
Public AI Inference Utility 正式成为 Hugging Face Hub 支持的 Inference Provider。该开源项目通过 vLLM 后端和全球负载均衡层,为 Swiss AI Initiative 等机构提供基于捐赠 GPU 时间的免费推理服务。
Hugging Face 发布 LeRobotDataset v3.0,通过单文件打包多集数据和流式处理模式,解决数百万集场景的文件系统限制。该格式自 lerobot-v0.4.0 起支持,提供一键转换工具,并兼容 Hugging Face Hub 上的多模态机器人数据集。