跳到正文
10月4日周日
  1. 美团技术团队79

    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。

  2. 美团技术团队65

    美团《Agent 评测白皮书》01:构建 Agent 评测体系的全景指南

    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。

  3. Hugging Face Blog83

    Microsoft ThinkingBox 和 ThinkingBox-Bench 开源:基于终端状态检查评估 AI Agent 可靠性

    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。

9月30日周三
  1. Hugging Face Blog62

    Hugging Face 发布 Open TTS Leaderboard 用于多语言语音合成评测

    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。

9月29日周二
  1. Hugging Face Blog81

    NVIDIA Kumo Tabular 开源表格基础模型发布

    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。

  2. Hugging Face Blog40

    ProvenanceGuard 如何为基于 MCP 的智能体提供来源感知的事实验证

    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。

9月28日周一
  1. Hugging Face Blog62

    Hugging Face 上线 RL Environments 统一入口

    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。

9月26日周六
  1. Sam Altman (X)74

    Sam Altman 说明 OpenAI 正在对智能体联网行为进行持续审查

    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。

9月24日周四
  1. Hugging Face Blog67

    Liquid AI 发布 LFM2.5-VL-DSpark 视觉语言模型加速草案

    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。

9月23日周三
9月22日周二
9月10日周四
  1. 面壁智能81

    MiniCPM5-2B 发布:端侧模型登顶 Hugging Face Trending

    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。

9月8日周二
9月4日周五
  1. 百灵大模型70

    蚂蚁集团开源金融增强模型 Ling-3.0-flash-Fin 与评测基准 FinFIRST

    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。

9月1日周二
8月26日周三
  1. 千问大模型88

    Qwen3.8-Flash 发布:多模态 MoE 模型训练成本降至前代 1/9 并开源 Next 权重

    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。

  2. 腾讯混元79

    混元发布极低 bit 翻译模型,压缩至 440MB 并落地直播弹幕

    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。

8月25日周二
8月20日周四
  1. 百灵大模型68

    百灵大模型开源 Ling-3.0-tiny-base 与 flash-base 模型

    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。

8月14日周五
  1. 智谱88

    GLM-5.3发布:编程能力提升50%,网络安全能力涌现,两周后开源

    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。

8月12日周三
  1. MiniMax 稀宇科技82

    MiniMax H3 开源后衍生出近 300 个社区模型并实现多场景应用

    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。

8月10日周一
8月6日周四
8月4日周二
  1. MiniMax 稀宇科技63

    MiniMax H3 开源 24 小时,超百家企业 Day 0 上线

    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。

7月29日周三
6月19日周五
4月23日周四
4月21日周二
  1. Hugging Face Blog28

    QIMMA 发布:首个整合代码评估与质量验证的开源阿拉伯语 LLM 排行榜

    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。

  2. Hugging Face Blog52

    AI 与网络安全未来:为什么开放性很重要

    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。

4月16日周四
  1. Hugging Face Blog50

    Hugging Face 发布 Skill 与测试框架,辅助将 Transformers 模型移植至 MLX-LM

    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。

12月1日周一
  1. DeepSeek93

    DeepSeek V3.2 正式版:强化 Agent 能力,融入思考推理

    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。

9月29日周一
  1. DeepSeek90

    DeepSeek 发布 V3.2-Exp 实验模型,API 价格同步大幅下调

    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。

9月22日周一
  1. DeepSeek45

    DeepSeek 更新 DeepSeek-V3.1-Terminus

    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。

  2. Hugging Face Blog67

    Hugging Face 联合 Meta 推出新一代 Agent 基准 Gaia2 与执行环境 ARE

    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。

9月19日周五
9月18日周四
  1. Hugging Face Blog56

    Hugging Face 推出 RiskRubric.ai 标准化 AI 风险评估平台

    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。

9月17日周三
9月16日周二