Unsloth 发布 Flint 的 Dynamic GGUF 量化版本，可在 24GB 内存设备上本地运行，并附有运行指南。Flint 是 Recursive 的 Apache-2.0 模型，39.8B 参数、2.5B 激活，Unsloth 称其为 50B 参数以下最强的 MoE 模型，在 Mac 上可达 125 t/s、在 RTX Spark 上可达 150 t/s。Recursive 联合创始人 Richard Socher 此前介绍，该模型由自动化研究系统 Eureka Machine 在不到 4 个月内从零构建，权重已在 Hugging Face 开放。
匹配字段摘要
Hao AI Lab 宣布 FastVideo FastH3 Omni 可在 NVIDIA DGX Spark、RTX GPU 和 Apple MLX 上本地运行。用一张照片和一段提示词生成 5 秒 480p 视频约需 3 分钟，在两张 Spark 上约 2 分钟；FastH3 T2AV 在单张 Spark 上耗时 52.6 秒，两张 Spark 上为 30.7 秒。演示视频中的片段均由 DGX Spark 以 8 步 NVFP4 checkpoint 生成，并提供了博客、Cookbook 和 Hugging Face 链接。
匹配字段摘要
Hugging Face 联合创始人 Thomas Wolf 表示，他的 AGI 标准仍是 AI 拿下诺贝尔奖，但 Recursive 的 AI 研究者把通常被建议保持高精度的 lm_head 量化到 4 位、结果与 bf16 仅差 0.7 个百分点，令他印象深刻。他同时提到该模型以开源权重形式发布在 Hugging Face 上，并向 Recursive 表示祝贺。被引用的 Recursive 原帖介绍，Flint 是其首个模型，定位为快速本地编码模型，由自动化研究系统 Eureka Machine 构建，在 MacBook Pro 上达到 125+ tokens/sec、在 RTX Spark 上达到 150+，不到 4 个月从零建成。
Hugging Face 联合创始人 Thomas Wolf 表示，他的 AGI 标准仍是 AI 拿下诺贝尔奖，但 Recursive 的 AI 研究者把通常被建议保持高精度的 lm head 量化到 4 位、结果与 bf16 仅差 0.7 个百分点，令他印象深刻。他同时提到该模型以开源权重形式发布在 Hugging Face 上，并向 Recursive 表示祝贺。被引用的 Recursive 原帖介绍，Flint 是其首个模型，定位为快速本地编码模型，由自动化研究系统 Eureka Machine 构建，在 MacBook Pro 上达到 125+ tokens/sec、在 RTX Spark 上达到 150+，不到 4 个月从零建成。
匹配字段摘要
Recursive 发布首个模型 Flint，这是一个 40B 混合专家编码模型，采用 Apache 2.0 许可，权重已在 Hugging Face 开放，由自动化研究系统 Eureka Machine 在不到 4 个月内从零构建。Flint 在 MacBook Pro 上以 125+ tokens/s 生成代码，在 RTX Spark 上达到 150+ tokens/s。在 48GB MacBook 上，它的平均质量约 81%，对比 Qwen3.8 27B 的约 85%，但在 128K token 长会话中速度约为后者的 7 倍。
匹配字段摘要
AI 初创公司 Recursive 发布首个模型 Flint，这是一个可在笔记本上离线运行、以 Apache 2.0 许可在 Hugging Face 免费下载的编码模型，公司称其研发过程主要由自研的 Eureka Machine 参与完成。Flint 是 MoE 模型，40B 参数中每次仅激活 2.5B，在搭载 M4 Pro 的 MacBook Pro 上生成速度约 131 tokens/秒，在 SWE-Bench Verified 上表现优于其他 50B 参数以下的模型。Recursive 表示 Flint 比大型付费编码助手需要更多引导，建议把大任务拆成小步骤。
匹配字段摘要、正文
Modal 发布训练库 Modal Dojo，提供调好的默认配方、可改参数和开箱即用的指标观测面板，支持从 5 亿到数万亿参数模型。该库基于 Miles、Slime 等开源框架构建，可从 Hugging Face 加载数据集，并通过 CLI 让智能体查询运行状态、日志和轨迹。Axiom Bio 称已用它启动 64k 上下文的 DeepSeek V4.1 Flash 训练，运行在 64 张 B300 上。
匹配字段摘要、正文
IBM 在 Hugging Face 发布 granite-speech-5.0-2b、granite-speech-5.0-470m-turboctc 和更新版 granite-speech-4.1-2b-plus 三款语音模型，均以 Apache 2.0 许可开源。granite-speech-5.0-2b 支持英语、法语、德语、西班牙语、葡萄牙语和日语的转写，并可在这些语言与英语之间互译，另支持英语译成意大利语和中文，训练数据含 39 万小时公开音频；Turbo CTC 版本扩展到七种语言并原生输出标点与大小写，在 Open ASR Leaderboard 上达到 19,870 RTFx，约为发布时的 1.6 倍；4.1-2b-plus 侧重多说话人长音频，说话人分离 WDER 与 cpWER 均下降 7%，长语音 WER 下降 24%。
匹配字段摘要
NVIDIA 于 2026 年 10 月 21 日宣布扩展其开放模型家族，覆盖语言、机器人、生物和量子计算，并围绕欧洲主权智能定位。组合包括 Nemotron 3.5 Super VL 与 Nemotron 3.5 Bolt、Nemotron Retriever、面向结构化业务数据的 Kumo、Cosmos 3.5 世界模型、面向自动驾驶的 Alpamayo 2 Edge、BioNeMo 和 Ising。Nemotron 3.5 Super VL 已在 Hugging Face、ModelScope、OpenRouter 和 build.nvidia.com 上线，Nemotron 3.5 Bolt E4B 4GB 预计 10 月 23 日可用。
匹配字段摘要、正文
NVIDIA 在 GTC Berlin 宣布与 UW Medicine 蛋白质设计研究所合作推出开源蛋白质设计模型 RFD4-Proteina，已通过 Amazon Bio Discovery、Hugging Face、OpenAI 等合作方提供。该模型属于 NVIDIA BioNeMo，将可编程蛋白质设计与搜索能力结合，可按分子输入、约束和评分目标生成并筛选候选设计。Hugging Face 模型卡显示其权重为 435.6 百万参数、FP32 存储 1.74 GB、以 BF16 运行，采用 BSD 3-Clause 许可，单张 H200 上 250 token 设计在 BF16 下耗时 5.0 秒。
匹配字段摘要、正文
NVIDIA 在 10 月 21 日 GTC Berlin 上宣布扩展 NVIDIA Isaac 开源机器人开发平台，新增参考人形机器人、新数据集和运行时，并更新机器人学习框架。Agile Robots 推出的 Agile ONE SN 预配置 Isaac GR00T、搭载 Jetson Thor，身高 1.40 米、重 40 公斤、31 个自由度，双臂各负载 3 公斤，计划 2027 年初上市。Isaac Lab 3.0 已正式开源，Isaac OS 基于 Holoscan 构建，SimReady Central Library 提供 2000 多个仿真资产，Human 1M 数据集同步上线 Hugging Face。
匹配字段摘要、正文
NVIDIA 于 2026 年 10 月 21 日扩展 Nemotron Retriever 系列，推出 Nemotron 3.5 Embed（8B BF16、1B BF16、1B NVFP4）、Nemotron 3.5 Rerank 8B BF16 和 6.31 亿参数的 Nemotron 3.5 Parse，面向企业智能体工作流的多模态检索与文档处理。NVIDIA 称在智能体检索流程中加入 Rerank 后，单次查询的 token 成本分别降低约 14%（搭配 8B 嵌入模型）和 13%（搭配 1B 模型），检索准确率同时提升。Parse 在 ParseBench 上得分 75.20，单张 H100 上每秒处理 10.5 页；开放权重、数据和训练配方已在 Hugging Face 发布，并可通过 NVIDIA NIM 及 Baseten、DeepInfra、FriendliAI 部署。
匹配字段摘要、正文
Anthropic公开一项研究，内部研究版Claude在64小时内生成318484个蛋白设计，筛出211个送测候选，其中17个在实验室达到团队设定的结合标准，覆盖五种目标蝎毒中的四种。研究由投资机构Citrini Research的五人团队执行，三人无科学背景，预算20万美元，算力花费49997美元、约1万GPU小时。全部211个设计、预测结构和实验数据已以CC BY 4.0许可发布在Hugging Face，但候选蛋白能否保护细胞和动物尚未经实验确认。
匹配字段摘要、正文
Google 发布 TorchTPU，这是 PyTorch 的一个专用版本，让开发者无需重写底层代码、只需调整少量配置，就能把现有模型和应用迁移到 TPU 上运行。Google 称与 Meta、Hugging Face 以及 vLLM、SGLang 的开发者合作，确保相关代码库兼容；同时推出 TPU agent suite 协助迁移并自动修复错误，并更新端侧工具 LiteRT 以兼容 PyTorch 应用。此前 AWS 也发布了面向自家 Trainium 芯片的 TorchNeuron。
匹配字段摘要、正文
Google 与 Meta 的 PyTorch 团队合作推出开源项目 TorchTPU，为 Google TPU 提供原生 PyTorch 后端，迁移只需把 model.to("cuda") 改为 model.to("tpu")。项目支持 eager 与 torch.compile 两种模式，新增 DeferAndFuse eager 模式，覆盖约 450 个 Aten 算子，并已在 4,917 个 Hugging Face 模型上验证开箱运行，其中 Tier 1 通过率 98%、Tier 2 相对 GPU 数值一致性 97%。官方称其已用于部分 Google Cloud 大客户的推理与训练生产负载，并集成 vLLM、SGLang、TorchTitan、Ray 和 TorchRec。
匹配字段摘要、正文
Bria 发布 8B 参数开源图像模型 Fibo 2.0，在 Artificial Analysis 的 AA-Image-Editing v2.1 上位列开源权重模型第一，在 AA-Image-T2I v2.1 上与 Qwen-Image-2.1 统计并列领先。该模型以非商业许可开放权重，商用需与 Bria 另行签约，共发布 Fibo 2.0 Dev（文生图）和更快的蒸馏版 Fibo 2.0 Edit Turbo（图像编辑）两套权重。Bria API 上价格为每 1k 张图像 32 美元，低于 Luma UNI 1 Max 的 100 美元和 Qwen Image 2.0 Pro 的 75 美元，可通过 Bria API 和 fal 使用，权重已在 Hugging Face 开放。
匹配字段摘要、正文
IBM Research 在 Hugging Face 发布 ALTK-Evolve，用 GPT-4.1 从智能体自身训练轨迹中提炼行为准则并追加到系统提示词，在 τ²-bench 零售任务上达到 67.5% Pass^4，超过其 2026 年 10 月 12 日榜单快照中的所有零售条目。该方法无需更新权重或人工标注，零售平均准确率从 78.1% 升至 82.5%，Pass^4 从 57.5% 升至 67.5%；航空域用 GPT-4.1 时 Pass^4 从 35.0% 升至 45.0%，换用 GPT-5.5 后升至 82.0%。作者称增益来自更准确的决策而非更长对话，准则使对话轮数略减，成本主要增加在输入 token 上。
匹配字段摘要
Hugging Face 的 Thomas Wolf 转发 DeepSeek 开源推理框架 DeepInfer 的消息，并盘点其此前开源的项目：FlashMLA 在 H800 上实现 580 TFLOPS 注意力、DeepEP 负责 MoE 通信、DeepGEMM 实现 1350+ FP8 TFLOPS 矩阵乘、3FS 是自建文件系统。DeepSeek 称 DeepInfer 支撑 DeepSeek-V4.1-Flash 的大规模高吞吐低延迟推理，此次以 Apache 2.0 协议开放生产栈，目标是帮助社区降低算力与能耗成本。
匹配字段摘要
面壁智能的 MiniCPM-V 4.7 在 iPhone 18 Pro Max（12GB）上实现 20.51 tokens/sec 的平均解码速度，相比同一设备未优化的 SSD 专家加载基线提速 6.07 倍。该速度来自 Lookahead Expert Scheduling（LES）、优化的专家加载、细粒度量化和 DSpark 投机解码。模型已在 GitHub 和 Hugging Face 开放。
匹配字段摘要
蚂蚁集团 LingAGI 团队的 Ming-3.0-tts 在 Artificial Analysis 受控语音 TTS Arena 中成为排名第一的开源权重模型，并以 93.2% 的发音鲁棒性成绩在 31 个模型中并列第一，与 Fish Audio Drama 3 Preview 持平、领先 Eleven v4 的 91.7%。该模型为 0.5B 稠密参数，支持预设音色与无状态声音克隆，权重以 MIT 许可在 Hugging Face 发布，另有 7.9B MoE 变体 Ming-3.0-tts-tiny。受控语音 Elo 为 1,069，开源第一、总榜第 13；Provider Voice Elo 1,188，开源第三、总榜第 19。
匹配字段摘要、正文
PyTorch 宣布开源原生后端 TorchNeuron，让 Trainium 成为标准 PyTorch 设备，模型代码只需改为 .to('neuron') 即可运行，10 月 20 日以 Apache 2.0 协议在 github.com/aws-neuron/torch-neuronx 开放公测。该后端基于 PrivateUse1 和 torch.accelerator 扩展点，支持 eager、自适应 eager 与 torch.compile，并覆盖 DDP、FSDP2、张量并行等分布式 API 以及 NKI 自定义算子。官方称已在 10 万个 Hugging Face 模型上做覆盖测试，Hugging Face Transformers v5、Diffusers、vLLM Neuron 等可直接在 Trainium 上使用。
匹配字段摘要、正文