Hugging Face开源了Kimina-Prover-RL，一个基于Verl框架的Lean 4形式化定理证明训练管线，并发布了1.7B和0.6B两个模型。该管线采用类DeepSeek-R1的结构化推理范式，结合格式奖励和错误纠正机制，在MiniF2F基准上刷新了开源模型在对应参数规模下的SOTA成绩。
推荐理由：开源了基于Verl的Lean 4定理证明训练管线及0.6B和1.7B模型，为小参数模型形式化推理提供了可复现的SOTA方案。
ExecuTorch 0.7 beta 发布，默认启用 KleidiAI 加速，利用 Arm SDOT 指令集为旧款手机和树莓派等设备提供开箱即用的端侧推理性能。
推荐理由：ExecuTorch 0.7 默认启用 KleidiAI 并支持旧款设备，为端侧推理提供了开箱即用的性能优化方案。
Arm 发布 Neural Super Sampling (NSS)，一款专为移动端 GPU 神经网络加速器优化的实时时序超采样模型。在演示中，NSS 将 540p 渲染结果在 4ms 内超采样至 1080p，并降低 50% GPU 负载。该模型已集成至 Unreal Engine 插件及 Vulkan ML 扩展，供开发者在移动游戏和 XR 场景中实验。
Basis 的 AI 智能体基于 OpenAI o3、o3-Pro、GPT-4.1 和 GPT-5 构建，帮助会计师事务所节省高达 30% 的时间，并扩展咨询与增长能力。
Hugging Face 发布 FilBench，系统评估 LLM 在 Tagalog、Filipino 和 Cebuano 等菲律宾语言上的表现。评测涵盖文化、NLP、阅读理解和生成四大类，结果显示 GPT-4o 表现最佳，而 SEA-LION 等区域模型在参数效率上具有优势。开源模型在成本效益上优于商业模型，但翻译任务仍是主要难点。
OpenAI 致信加州州长加文·纽森，呼吁加州在 AI 监管方面发挥引领作用。信中主张将州级 AI 监管标准与国家及全球新兴标准相协调，以确立统一的监管框架。
Hugging Face 在 Accelerate 和 Axolotl 中集成 ND-Parallel，提供 FSDP、TP、CP 及其组合的配置方法，帮助优化多节点大模型训练的显存与通信效率。
推荐理由：原文给出了多GPU并行策略的组合配置方法，读者可以据此优化大规模模型训练的显存与通信效率。
OpenAI 发布 GPT-5，将其定位为最先进的模型，旨在通过变革企业 AI、自动化及劳动力生产力，开启智能工作新时代。
OpenAI 在 API 平台正式推出 GPT-5，提供针对开发者的新控制选项，并在真实编码任务中实现最佳结果。
推荐理由：官方宣布 GPT-5 API 上线，强调推理性能与编码任务表现，开发者可据此评估升级价值。
Hugging Face TRL 库新增 MPO、GRPO、GSPO、RLOO 和 Online DPO 等视觉语言模型对齐算法，并原生支持 VLM 的 SFT 训练。同时集成 vLLM 以加速在线对齐过程中的样本生成，提供 colocate 和 server 两种运行模式。
推荐理由：TRL 新增 MPO、GRPO 等 VLM 对齐算法及 vLLM 集成，提供可复用的训练配置与脚本。
OpenAI 发布 GPT OSS 开源模型系列，包含 120B 和 20B 两个 MoE 版本，采用 mxfp4 量化以支持单卡部署。Hugging Face 提供详细指南，涵盖 transformers、vLLM 和 llama.cpp 等框架的本地推理、Flash Attention 3 优化及工具调用能力。
推荐理由：OpenAI 发布开源推理模型，Hugging Face 提供从本地量化部署到云端推理的完整工程支持。
NVIDIA 发布开源 AI-Q 智能体栈，基于 Llama 3.3-70B 和 Llama-3.3-Nemotron-Super-49B-v1.5 模型，在 Hugging Face DeepResearch Bench 的 LLM with Search 类别中以 40.52 分登顶。该方案支持本地部署与隐私合规，提供完整的推理追踪与评估指标。
推荐理由：NVIDIA 开源 AI-Q 智能体栈并在 DeepResearch Bench 登顶，展示了 Llama Nemotron 在复杂推理任务中的能力。
Hugging Face 发布 3LM 基准测试，专门评估阿拉伯语大语言模型在 STEM 学科和代码生成领域的表现。该基准包含 865 道原生 STEM 选择题、1,744 道合成高难度题目及基于 HumanEval+ 和 MBPP+ 翻译的代码任务。测试显示 Qwen2.5-72B-Instruct 在 STEM 选择题中表现最佳，GPT-4o 在代码生成任务中得分最高。
Mistral 展示通过 LoRA 微调 Pixtral-12B 在卫星图像分类任务上的显著性能提升。基线模型在区分“游乐场”与“体育场”等细微视觉差异时存在幻觉，微调后模型能更准确地识别密集住宅、稀疏住宅等复杂场景。该过程利用 Mistral 微调 API 或 LaPlateforme UI 即可高效完成，无需 extensive 超参数调整。
Hugging Face 官方博客介绍 Gradio 新增 Model Context Protocol (MCP) 集成，可将 Python 函数自动转换为 LLM 工具。文章演示了如何利用该功能结合 IDM-VTON 模型和 Playwright，在 VS Code 中构建一个能自动浏览网页并生成虚拟试穿效果的 AI 购物助手。
推荐理由：Gradio 新增 MCP 支持可将 Python 函数自动转为 LLM 工具，本文演示了如何快速构建具备网页浏览与虚拟试穿能力的 AI 助手。
Hugging Face 发布开源实验追踪库 Trackio，提供兼容 wandb 的轻量级 Python 库，支持本地 Gradio 仪表盘及与 Hugging Face Spaces 同步分享。该工具内置与 Transformers 和 Accelerate 的集成，支持 GPU 能耗追踪，数据默认本地持久化并自动备份至 Parquet 数据集。
推荐理由：Trackio 提供兼容 wandb 的轻量级实验追踪方案，支持本地运行与 Spaces 同步，便于分享与数据提取。
Hugging Face 将 CLI 正式更名为 hf，重构命令结构以提升易用性，并推出 hf jobs 服务。hf jobs 支持在 Hugging Face 基础设施上按需运行脚本或 Docker 镜像，采用按秒计费的付费模式。该服务目前仅对 Pro 用户及 Team 或 Enterprise 组织开放。
Hugging Face 宣布 PyArrow 和 Pandas 现已支持 Parquet Content-Defined Chunking (CDC) 功能，配合 Xet 存储层可实现基于内容的数据去重。该功能通过减少 Parquet 文件在内容变更时的字节级差异，显著降低数据上传、下载及存储成本。
推荐理由：PyArrow 新增 Parquet CDC 功能配合 Xet 存储层，显著降低数据集上传下载与存储成本。
Hugging Face 发布 Flux 模型 LoRA 推理加速方案，结合 Flash Attention 3、torch.compile 和量化技术，在 H100 上实现 2.23 倍加速，在 RTX 4090 上实现 2.04 倍加速。
推荐理由：原文给出了结合Flash Attention 3、torch.compile和量化技术的LoRA热插拔方案，提供了可复用的优化方法。
Mistral AI联合Carbone 4与法国生态转型署发布首份AI模型全生命周期分析（LCA）报告，量化了Mistral Large 2的温室气体排放、水资源消耗及资源枯竭影响。报告披露了模型训练及单次400 token推理的边际环境影响，并呼吁行业建立标准化的环境透明度框架。
NVIDIA 宣布 NIM 推理微服务现支持在 Hugging Face 上快速部署超过 10 万个大语言模型。NIM 提供单一 Docker 容器，自动识别模型格式并选择 TensorRT-LLM、vLLM 或 SGLang 后端，无需手动配置即可实现高性能部署。
推荐理由：NVIDIA NIM 提供统一容器自动适配 Hugging Face 模型，简化了部署流程。
Arc Institute发布虚拟细胞挑战赛，要求训练模型预测基因沉默对细胞的影响。Hugging Face博客详细解析了挑战赛的背景、数据集结构以及Arc提出的STATE基线模型，包括State Transition Model和State Embedding Model的架构设计。
Mistral 发布 Le Chat 多项新功能，包括 Deep Research 智能体可自动生成结构化研究报告；基于 Voxtral 模型的语音模式支持自然对话；Magistral 推理模型提供原生多语言思考能力；Projects 功能支持将对话分组管理；与 Black Forest Labs 合作实现图像直接编辑。
推荐理由：Le Chat 新增 Deep Research 智能体、Voxtral 语音交互及 Magistral 多语言推理，提供了更完整的 AI 助手工作流。
Gradio 5.38.0 版本更新，增强了对 MCP 服务器协议的支持。新增功能包括：支持本地文件上传、实时进度通知、一行代码将 OpenAPI 规范转换为 MCP 服务器、通过 gr.Header 简化认证配置以及自定义工具描述。
推荐理由：Gradio 5.38.0 新增文件上传、OpenAPI 转换等 MCP 功能，降低了构建智能体应用的技术门槛。
Hugging Face 发布 FutureBench，旨在通过预测未来事件评估 AI 智能体的推理能力。该基准利用新闻和 Polymarket 数据生成问题，避免数据污染并提供可验证结果。初步测试显示，GPT-4.1、Claude 3.7 和 DeepSeek-V3 在信息搜集和推理策略上存在显著差异。
Consilium 是一个多 LLM 协作平台，让 AI 模型通过结构化辩论达成共识。该平台支持 MCP 协议集成，提供圆桌可视化界面及多种讨论模式。
Hugging Face 发布 Ettin 模型套件，包含 17M 至 1B 参数的编码器与解码器模型。该套件使用完全相同的 2T tokens 公开数据、架构和训练配方，实现了两种架构的公平对比。编码器在分类和检索任务上优于 ModernBERT，解码器在生成任务上优于 Llama 3.2 1B。
推荐理由：Ettin 提供完全一致的开源训练配方与数据，为对比编码器与解码器架构提供了公平基准。
Hugging Face 宣布将 Hub 全面迁移至 Xet 存储系统，目前已有超 100 万用户和 50 万个仓库使用。Xet 将成为新用户的默认存储，旧仓库将自动迁移，同时 Hugging Face 计划开源 Xet 协议及底层基础设施。
推荐理由：Hugging Face 宣布全面迁移至 Xet 存储，通过底层架构升级实现 PB 级数据的高效传输与无缝兼容。
Mistral AI 发布 Devstral Medium 和升级版的 Devstral Small 1.1。Devstral Medium 在 SWE-Bench Verified 上得分 61.6%，超越 Gemini 2.5 Pro 和 GPT 4.1，价格仅为后者的四分之一。
推荐理由：Devstral Medium 在 SWE-Bench Verified 上超越 Gemini 2.5 Pro 且价格更低，Small 1.1 开源并刷新开放模型记录。
Kimi 与 Numina 团队发布 Kimina-Prover 系列模型，基于 Qwen2.5-72B 训练并开源了 72B、8B 和 1.7B 版本。该模型引入了测试时强化学习搜索（TTRL）和错误修复机制，在 miniF2F 基准测试中达到 92.2% 的最高通过率。
推荐理由：Kimina-Prover 开源了基于 TTRL 搜索和错误修复的定理证明模型，为复杂数学推理提供了可复用的训练与推理方法。
Hugging Face 发布官方 MCP Server，通过 hf.co/mcp 提供 Hub 访问与数千个 AI 应用。文章详述了采用 Streamable HTTP 无状态直响应部署的权衡，并开源了支持多种传输方式的代码。
推荐理由：文章详细记录了Hugging Face MCP Server在传输协议选型与无状态部署中的权衡，为开发者构建远程MCP服务提供了可迁移的工程实践。
Pollen Robotics 与 Hugging Face 联合发布 Reachy Mini，这是一款面向 AI 开发者的开源桌面机器人，起售价 399 美元。该机器人高 28 厘米，支持 Python 编程，并集成摄像头、麦克风等传感器以进行多模态交互。其硬件、软件及仿真环境均开源，用户可通过 Hugging Face Hub 共享行为模块。
Gradio 5.28.0 版本支持 MCP 协议，使 Hugging Face Spaces 成为 LLM 的 MCP 应用商店。文章以 Flux.1 Kontext 图像编辑模型为例，演示了如何将 Gradio 应用配置为 MCP 服务器，并通过 Cursor 等客户端连接，使 LLM 获得图像编辑等新能力。
推荐理由：文章演示了如何将 Gradio 应用配置为 MCP 服务器，为 LLM 提供图像编辑等具体能力，提供了可复用的配置方法。
Hugging Face 与 AMD 合作开源了针对 MI300X 的自定义内核，通过融合 RMS norm 与 FP8 转换、优化 SwiGLU 计算以及针对低批次大小的 Skinny GEMM 拆分策略，显著提升了 Llama 3.1 405B 在 VLLM 中的推理性能。
推荐理由：文章详细拆解了针对MI300X的三种自定义内核优化技巧，提供了可复用的工程实践方法。
Hugging Face 宣布举办 NeurIPS 2025 E2LM 竞赛，旨在构建能有效捕捉大语言模型早期训练阶段科学领域推理与知识信号的新基准。竞赛评分由信号质量、排名一致性及科学知识合规性加权组成，参赛者需基于 lm-evaluation-harness 库提交方案。
Mistral AI 推出 AI for Citizens 倡议，旨在帮助各国政府及公共机构利用 AI 技术重塑公共服务并推动创新。该计划提供 Mistral AI 的尖端模型、AI 聊天与编程助手，支持私有化部署、SaaS 及无服务器 API 等多种方式，确保数据主权与合规。通过定制化研发与生态建设，助力各国摆脱对封闭供应商的依赖，实现 AI 技术的自主可控。
Hugging Face 发布指南，详解如何使用 Sentence Transformers 训练和微调稀疏嵌入模型。文章涵盖 Splade、Inference-free Splade 和 CSR 等架构选择、数据集格式、损失函数配置及评估器使用，并演示了稀疏与密集向量结合提升检索性能的方法。
推荐理由：文章详细拆解了稀疏嵌入模型的训练组件与代码实现，提供了可迁移的混合检索优化方法。
NVIDIA发布Llama Nemotron Nano VL，一款基于Llama-3.1-8B的8B视觉语言模型，专为智能文档处理设计。该模型在OCRBench v2基准测试中表现优异，支持高精度文本识别、表格提取及图表解析，可通过Hugging Face下载或使用NVIDIA NIM API部署。
推荐理由：NVIDIA发布专攻文档处理的8B视觉语言模型，提供Hugging Face下载与NIM API，适合企业级自动化部署。
Google 发布 Gemma 3n 模型，原生支持图像、文本、音频和视频输入。提供 gemma-3n-E2B 和 gemma-3n-E4B 两个版本，实际参数量分别为 5B 和 8B，但显存占用仅需 2GB 和 3GB。模型已集成至 transformers、MLX、llama.cpp 等主流开源库，并支持多模态微调。
推荐理由：Gemma 3n 原生支持多模态并针对端侧部署优化，提供了详细的开源生态集成与微调指南。
SGLang 新增 transformers 后端集成，支持通过设置 impl="transformers" 运行任意兼容模型。该功能让开发者无需等待原生适配即可在高性能推理引擎中运行任意兼容模型，同时保留 RadixAttention 等优化特性。
推荐理由：SGLang 新增 transformers 后端，让开发者无需等待原生适配即可在高性能推理引擎中运行任意兼容模型。