ALTK-Evolve 如何衡量并缩小智能体的一致性落差
在 AppWorld 上，使用 GPT-4.1 的 ReAct 智能体 Mean@5 为 77.4%，但五次运行全部成功的 Pass^5 只有 53.0%，一致性落差达 24.4 个百分点。
全部AI 动态
全部动态
今日 4 条Hugging Face BlogAI 评分5555
NVIDIA BlogAI 评分5252 费城儿童医院如何用开源 NVIDIA AI 开展小儿心脏诊疗
费城儿童医院基于 NVIDIA 联合创立的开源框架 MONAI，把患儿已有的 CT、MRI 和三维超声在数秒内生成解剖精确的心脏模型，用于先天性心脏病诊疗。原先需熟练研究人员约四小时的流程已快到可作常规临床使用；美国已有 20 多家儿童医院开展心脏建模，波士顿儿童医院每年约 500 例心脏手术中过半借助建模，CHOP 预计今年建模约 200 例。
GitHub Blog · AI & MLAI 评分5454 如何在 GitHub 上把营销活动从策划到复盘自动化
负责 GitHub 日本和韩国市场的 Tomoko Tanaka 用 GitHub Copilot、Issue 和 Actions 自动化活动运营，过去要手工处理一两天的搭建现在从单条 Issue 开始，系统每天早上筛查报名者，并在结束后自行收尾。
GitHub Blog · AI & MLAI 评分4747 GitHub Copilot app 新手指南：使用 diff、终端和浏览器
GitHub Copilot app 内置并排的 diff、终端和浏览器面板，审阅、运行和预览都不用离开应用。diff 新增为绿、删除为红，可接受、评论或让 Copilot 再改。终端可通过 Run 按钮运行脚本，浏览器用 Pick & Polish 选元素交给智能体调整，然后接受改动并创建 pull request。
Mistral AIAI 评分3838 Cloudera 与 Mistral 合作，将专业化主权智能带入企业数据
Cloudera 与 Mistral 合作，将模型接入其混合数据平台，支持在私有云、公有云、本地和完全隔离环境中受控运行推理。企业可在受控环境用大量专有数据训练定制模型，并保有数据与所得智能的所有权。Mistral 将主权 AI 带到该平台 30 exabytes 客户自管数据上，模型可基于开放权重适配并拥有。
Hugging Face BlogAI 评分5757 用 Gradio Workflow 将 AUTOMATIC1111 重建为 Workflow1111
Workflow1111 把 AUTOMATIC1111 的大部分功能重做成一张 Gradio 工作流画布，包含十一条媒体管线和七十三个节点。登录 Hugging Face 账号或提供访问令牌后，可运行文生图、高分辨率修复、图生图、提示词矩阵、VLM 反推、检测生成遮罩、标注、去背景、PNG Info 和图像转视频，模型调用使用用户自己的额度。
Mistral AIAI 评分5353 Mistral 如何用 AI 智能体改造复杂的 Fortran 77 遗留代码
Mistral 帮助一家欧洲能源运营商，将 40,000 行没有测试套件和集中文档的 Fortran 77 油藏模拟代码迁移到 C++。项目先建立可导出 Fortran 状态并在 C++ 中核对关键结果的数值对齐框架，再用调用关系树和逾百个智能体整理分散文档。
Google DeepMind精选AI 评分6565 Google DeepMind推出AlphaGenome Atlas，预计算人类基因组约90亿个单核苷酸变异效应
Google DeepMind推出AlphaGenome Atlas，预计算人类基因组中约90亿个、即全部可能的单核苷酸变异的分子效应。
推荐理由：AlphaGenome Atlas预计算约90亿种单字母变异效应，读者可用AVI分数同时排序变异并查看剪接或表达等驱动因素。
Mistral AI精选AI 评分6767 Mistral 完成 €3 billion Series D 融资，投后估值超过 €21 billion
Mistral 宣布完成 €3 billion Series D 融资，投后估值超过 €21 billion，并称这是欧洲科技公司完成过的最大股权融资。Samsung Electronics 领投，由 EQT 管理的 Scaleup Europe Fund 与既有投资人 PSG Equity 联合领投，资金将扩大前沿研究、训练算力、基础设施以及商业增长和国际布局。
推荐理由：这笔融资将显著扩大 Mistral 的前沿研究、训练算力与基础设施投入，并加快开源权重主权全栈的商业增长与国际布局。
GitHub Blog · AI & ML精选AI 评分6666 GitHub Copilot 推出多模型编排研究预览 Project HydraFusion
GitHub 在 Copilot CLI 推出研究预览 Project HydraFusion，运行时按任务在单模型直接求解、高效模型起草后升级，以及跨模型家族独立评审再修订三种模式间编排多个提供商的模型。
推荐理由：它把换模型、独立评审和必要时升级交给运行时选择，读者可对照三项智能体编程基准看相对 Claude Opus 5 的质量与估算成本。
Google ResearchAI 评分5353 Google Research 联合合作者发布雄性果蝇全脑连接组
Google Research 联合 HHMI Janelia、MRC 分子生物学实验室和剑桥大学等合作者，在 Cell 发布雄性果蝇脑及中枢神经系统的完整连接组。
Google DeepMind精选AI 评分7373 Google DeepMind与Google Research发布全球天气模型WeatherNext 3
Google DeepMind与Google Research发布WeatherNext 3，可每小时生成最高5公里分辨率的全球天气预报。相较25公里网格、6小时更新的WeatherNext 2，新模型的全球天气画面约锐利5倍；中期预报早期时效的CRPS相对IMERG最高改善60%，相对MRMS为30%，相对雨量计为10%。
推荐理由：WeatherNext 3将WeatherNext 2的25公里、6小时改为5公里与每小时更新，并接入Search、Gemini和Maps。
Hugging Face BlogAI 评分5454 NeoMME发布260M与800M多模态多语言编码器
NeoMME推出260M和800M两款多语言多模态编码器，单一双向Transformer从零处理文本token与32×32图像块，并用掩码离散扩散目标训练全模型。
Hugging Face BlogAI 评分5959 用TRL与OpenEnv训练编码模型以代码绘制水彩
作者用TRL与OpenEnv复现Surya Narreddi的思路，训练编码模型编写JavaScript，经p5.brush绘制水彩，并在Hugging Face公开参考池、RL环境、训练脚本和模型。
Hugging Face Blog精选AI 评分7272 funes 为编码智能体提供归用户所有的记忆
funes 为 Claude Code、Codex、pi 和 Hermes 提供归用户所有的持久记忆，默认在本机索引已有会话，也可同步到默认私有的 Hugging Face 数据集。
推荐理由：这种记忆以你拥有的数据集而非独立服务存在，原始回合始终可追溯，因此换机器或换智能体后仍能召回先前的决策与失败尝试。
Hugging Face BlogAI 评分5858 100步GRPO微调LFM2.5-350M以改善结构化输出
用TRL的GRPO以约500条样本和100步微调LFM2.5-350M，IFStruct通过率从22.6%升至29.7%。JSON通过率从18.0%升至31.9%，顶层裸列表从16.6%升至29.7%，YAML从27.2%到27.5%几乎不变，仍低于Qwen3.5-2B的33.15%。
Google DeepMindAI 评分4242 Google Fairwind Program：面向政府与企业的主动网络防御
Google 启动 Fairwind Program，让政府与可信伙伴借助 Gemini 3.8 Flash Cyber 和 CodeMender 自主修复漏洞。不必再花数周，数分钟内即可在安全云环境生成经验证、可部署的补丁。已有超过 650 家合作伙伴，访问限于内部网络安全、事件响应或渗透测试团队并需多因素认证。
Google DeepMind精选AI 评分7777 Google DeepMind 发布 Gemini 3.8 Flash 与 3.8 Flash Cyber
Google DeepMind 今日发布 Gemini 3.8 Flash 与 Gemini 3.8 Flash Cyber。3.8 Flash 沿用 3.7 Flash 的入门价格，输入每百万 token 为 $0.75、输出每百万 token 为 $3.75，并提升软件工程、智能体任务与多步推理，HLE-Verified 达到 54.9%。
推荐理由：3.8 Flash以与3.7相同的价格加强长程编码和多步推理，网络安全变体仅经Fairwind向政府、关键基础设施和软件维护方开放。
Hugging Face BlogAI 评分5656 BenchMIRT：大语言模型基准实际在测量什么
AllenAI 提出 BenchMIRT（http://allenai.org/papers/benchmirt），用多维项目反应理论在单题层面审计大语言模型基准，并在 100 个 LLM、16 个基准和超过 34K 道题上自行收回安全与通用推理两个主导维度。
Google ResearchAI 评分4949 Google 用 MAPL-EMIT 从太空测绘全球甲烷排放
Google 的 MAPL-EMIT 用深度学习处理 EMIT 高光谱数据，自动检测并定位全球甲烷点源。专家标注羽流召回率达84%，信噪比高于匹配滤波增强方法，训练数据为3.6 million条合成羽流。全球羽流数据库已放上Earth Engine，训练模型与合成羽流在Kaggle，推理库在Github。
Google DeepMind精选AI 评分6969 Gemini 3.7 Flash 等模型上线智能体式视频理解
Google DeepMind 今天在 Gemini 3.7 Flash、3.6 Flash 与 3.5 Flash-Lite 上线智能体式视频理解，视频分析的 token 消耗最多降低 88%，成本最多降低 66%，准确率最多提升 7%。
推荐理由：智能体模式让模型按目标选择画面、音频或文字稿并只读取所需片段，长视频分析不必再整段按固定帧率消耗大量 token。
Hugging Face BlogAI 评分5151 Hugging Face 发布 @huggingface/kernels 与 207 个 WebGPU Kernel
Hugging Face 发布 JavaScript 库 @huggingface/kernels 及 huggingface.co/webgpu-kernels 上的 207 个 Apache-2.0 WebGPU kernel，可从 Hub 按契约版本加载并在浏览器中运行本地推理算子。
Google ResearchAI 评分5353 Google Research 推出零样本多变量预测模型 TimesFM-3
Google Research 推出时间序列基础模型 TimesFM-3，参数量为 330 million，预训练数据超过 1 万亿个时间点，可在单次前向中零样本联合预测多条序列。
Google ResearchAI 评分5353 Google Research 的行星预测引擎 PPE 通过 Earth AI 自动构建全球模型
Google Research 在 Google Earth AI 中介绍实验性行星预测引擎 PPE，可根据自然语言查询自动完成地理空间数据发现、整理、训练、评估并生成报告，把含人工数据工程的建模时间从数周缩到数分钟。
Google DeepMind精选AI 评分6363 Google DeepMind 推出 Gemini Omni 1.1 Flash，强化生成视频控制
Gemini Omni 1.1 Flash 现已推出，开发者可通过 Gemini API 做场景延续、首尾帧插值和最高 4K 放大。场景延续能分析最多 10 秒前文，而不只参考最后 1 秒，并按 10 秒一段把视频延到累计 40 秒；360p 预览成本为标准 720p 的三分之一，生成最高快 60%，成片可输出 1080p 或 4K。
推荐理由：开发者现在可以用最多10秒前文把已有视频按10秒一段延续到累计40秒，再以360p三分之一的成本和最高快60%的速度试稿后放大到4K。
Google DeepMind精选AI 评分6666 Google 发布 Gemini 3.5 Transcribe 智能语音转写模型
Google 发布语音转文字模型 Gemini 3.5 Transcribe，可将原始音频直接转为准确、润色并自动排版的文本，并称这是其迄今最精确的语音转写模型。
推荐理由：相对 Chirp 3，新模型给出流式 4.0% 与非流式 2.6% 词错误率以及终稿时间改善 70% 的直接对比。
Hugging Face Blog精选AI 评分6565 如何用 Sentence Transformers 训练和微调多向量嵌入模型
Sentence Transformers v6.0 的 MultiVectorEncoder 可用于训练和微调 ColBERT 式多向量嵌入模型。
推荐理由：原文整理了用领域问答对微调多向量检索模型的训练组件，并比较无监督检查点与成品检查点在医学数据上的适应差异。
Hugging Face Blog精选AI 评分6868 IBM Granite 4.2推理模型如何构建
Granite 4.2从Granite-4.1基座出发，经监督微调和多阶段GRPO强化学习，得到3B、8B、30B三款稠密仅解码器推理模型。监督微调约用7.2 million条样本（约100B token，其中约65B可训练）；基座则以约15T token分五阶段从零预训练，并把上下文扩到512K。
推荐理由：技术文按监督微调、GRPO与分阶段课程写清Granite 4.2的训练路径，并写明只有8B和30B做真实环境里的智能体训练。
Hugging Face Blog精选AI 评分6969 Gradio 如何用 gr.Workflow 把 AI 流程连成可运行并部署的图
Gradio 的 gr.Workflow 用类型节点图把 AI 流水线变成可拖拽界面，同一张图同时是 REST API，并可一键部署到 Hugging Face Spaces。
推荐理由：把多步 AI 流程写成带类型端口的节点图后，可以在画布上单独运行每一步并看到中间值，同一张图还能作为 REST 接口部署到 Spaces。
Mistral AIAI 评分4747 Mistral 与 HUMAIN 宣布战略合作，推进沙特及中东主权 AI
Mistral 与 HUMAIN 宣布战略合作，在沙特及中东推进主权 AI。合作覆盖 AI 基础设施、先进模型开发与解决方案部署，初期聚焦网络安全和语音，并计划开发阿拉伯语表现强劲的前沿模型，规模达数亿欧元。Mistral 将探索使用 HUMAIN 数据中心，双方还计划面向沙特受监管行业制定联合市场策略。
Hugging Face Blog精选AI 评分6767 Hugging Face 用三项测试衡量语音识别中的基准优化
Hugging Face 提出三项测试，评估 11 个开源语音识别模型是否针对公开基准优化，而非提升通用转写。
推荐理由：三项测试显示，部分模型在公开语音基准上的高分，与其识别数据集线索并复现参考文本有关，单一词错误率因此不足以代表通用转写能力。
Hugging Face BlogAI 评分5555 Hugging Face 如何用 Inference Endpoints、Jobs 和 Buckets 支撑 Papers with Code 搜索
Hugging Face 说明如何用 Jobs、Storage Buckets 和 Inference Endpoints 支撑 Papers with Code 的混合搜索：离线批量生成论文向量，在线只嵌入查询，端点冷启动或异常时回退全文检索。
Hugging Face BlogAI 评分5151 LFM2.5-DSpark 最高将推理速度提升至 3.2 倍
Liquid AI 发布三款 LFM2.5 的 DSpark 草稿模型，在不改变贪心输出的前提下，把 GPU 吞吐最高做到 3.18 倍、端侧最高做到 2.87 倍。
Mistral AI精选AI 评分6060 Mistral推出Agentic Search，提升复杂文档检索准确率并降低延迟
Mistral推出Agentic Search，让模型通过search、open、navigate、read和grep五个工具，在现有索引上多步查找、打开并核对长文档与多来源信息。
推荐理由：Mistral把一次取块改成可导航核对的多步检索，使FinanceBench正确率从26.7%升至86%并降低延迟与token。
Hugging Face BlogAI 评分5252 ALTK-Evolve探讨智能体实际需要多少记忆
ALTK-Evolve在AppWorld test_normal上对照八个模型发现，自蒸馏记忆的合适剂量取决于模型能力。强模型DeepSeek-V3.2注入全量指南后TGC提升9.5个百分点，弱模型gpt-oss-120b用精选检索提升16.1个百分点且token仅增5%，饱和模型GLM-5增益为0。这些指南从智能体过往轨迹蒸馏，推理时注入，不更新模型权重，也不需要人工标注。
Google DeepMind精选AI 评分7878 Google DeepMind 发布面向编码与智能体的 Gemini 3.7 Flash
Google DeepMind 发布 Gemini 3.7 Flash，面向编码与智能体，距 3.6 Flash 仅三周，入门价为原先每百万 token 成本的一半。
推荐理由：Gemini 3.7 Flash 在 3.6 Flash 发布仅三周后推出，编码调试、网页生成和复杂文档处理基准均有提升，同时入门价定为原先每百万 token 成本的一半。
Microsoft ResearchAI 评分4444 MindTopo 揭示 VLMs 的空间推理能力
MindTopo 基准显示，多模态模型识别静态拓扑关系的表现明显强于交互规划，且两者都远低于人类。它按连续性、分离、顺序、包围和结五类，分别测试推理与规划；规划错误常出现在理解场景之后，模型会丢失结构关系或提出违反环境动态的动作。图像生成只在关系可见于单帧时偶尔有帮助，视频推演则经常改变拓扑或违反任务动态。
Google DeepMind精选AI 评分6666 Google DeepMind发布手语转文本模型SL2T并接入Pixel 11听写
Google DeepMind发布大规模多语言手语转文本模型SL2T，先在Pixel 11的Gboard和Live Transcribe中把美国手语译成英语听写。
推荐理由：SL2T把超过五十种手语的身体关键点直接译成流式文本，并开始用于Pixel 11听写，读者可以据此了解手语输入如何接进日常打字。
Google Research精选AI 评分6060 Google Research 指出前沿大语言模型事实性瓶颈在于召回而非编码
Google Research 提出知识画像，发现前沿大语言模型的许多事实错误是召回失败，而不是事实未被编码。基于 2,150 条维基事实的 WikiProfile 显示，Gemini-3-Pro 和 GPT-5 已编码 95–98% 的事实，但仍有 26–34% 无法直接召回，开启思考后失败比例为 11–12%。
推荐理由：用知识画像同时衡量事实的编码和召回后，前沿模型的事实性短板更集中于已经写入参数却难以稳定取出的知识。
Google Research精选AI 评分6767 Google Research 推进 AMIE 实时视频问诊，模拟研究中与全科医生评分相当
Google Research 展示基于 Gemini 与 Project Astra 的 AMIE（Video），在100个情景、300次模拟实时视频问诊中，被20名全科医生评为在病史采集、诊断准确性、处置适当性和沟通质量上与10名视频问诊全科医生相当。
推荐理由：随机研究把AMIE视频版、纯文本版和全科医生放在同一评分框架下，从而呈现视听观察和虚拟查体的评分差异以及演员模拟边界。