NVIDIA 在 GTC Berlin 展示本地 AI 硬件与智能体更新
NVIDIA 在 GTC Berlin 集中展示 RTX Spark、DGX Spark 和 DGX Station 的本地 AI 更新，覆盖个人智能体、开发集群与企业部署。
推荐理由：文章集中梳理 NVIDIA 本地 AI 硬件、模型支持和推理优化，给出了设备规格、上市时间及可复用部署路径。
#开源生态
NVIDIA Newsroom精选AI 评分8080 Hugging Face Blog精选AI 评分8181 PyTorch 2.15 为 Mac MPS 加入 FP8 并加速模型运行
PyTorch 2.15 为 Mac 的 MPS 后端加入 FP8、专用 Metal 内核和更快的 LLM 解码路径。M3 Ultra 上 Qwen3.6-35B-A3B 从 9.4 提升至 61.3 tokens/s，Wan2.2 视频 VAE 解码峰值显存从约 270 GiB 降至约 8 GiB。运行要求更新为 macOS 15 或更高版本以及 Python 3.11 或更高版本。
推荐理由：PyTorch 2.15 通过性能与显存数据展示 Mac 端模型运行改进，并交代 FP8、Metal 内核和兼容性要求。
NVIDIA Newsroom精选AI 评分7777 NVIDIA 扩展 Isaac 机器人平台，新增 Agile ONE SN、Isaac Lab 3.0 与开源工作流
NVIDIA 在 GTC Berlin 扩展 Isaac 开放机器人开发平台，加入参考人形机器人、数据集、运行时和机器人学习框架更新。Agile ONE SN 预配置 Isaac GR00T 与 Jetson Thor，配备 31 自由度身体和双 WUJI Hand 2 机械手，计划于 early 2027 推出。
推荐理由：新平台把参考人形机器人、数据集、学习框架、运行时与部署流程串成完整路径，适合开发者评估机器人技术栈的整合方式。
Hugging Face Blog精选AI 评分7979 Hugging Face 发布 TorchTPU 原生 PyTorch 后端
Hugging Face 发布 TorchTPU，将 TPU 集成到 PyTorch，并让 Transformers、Diffusers 和 Kernels 可原生运行在 TPU 上。
推荐理由：TorchTPU把TPU纳入PyTorch原生后端，并披露Transformers、Diffusers与Kernels的运行方式及测试进度，便于评估迁移成本与成熟度。
Interconnects精选AI 评分7979 Meta借Muse Spark Open重塑前沿模型竞争格局
Meta凭开放权重模型Muse Spark Open重新进入美国开放模型前沿，并与闭源模型Muse Wonder、Muse Wonder Full形成开放与闭源并行的布局。
推荐理由：文章结合性能、许可证与模型格局，分析Meta凭开放和闭源模型重新参与前沿竞争的条件。
Mistral AI News精选AI 评分6666 Mistral AI 发布 Timestral 时间序列基础模型家族
Mistral AI 发布 Timestral 时间序列基础模型家族，提供 5M、28M、123M 和 209M 参数四种规格，支持概率预测、多变量目标以及过去和已知未来的协变量。209M 模型在 GIFT-Eval、TIME 和 fev-bench 三项主要公开基准中排名第一，可在 CPU 上推理，并可通过 Mistral Forge 进行领域适配。
推荐理由：Timestral 以 5M 至 209M 的四种规格覆盖时序预测需求，并提供预训练、零样本预测、微调及本地部署路径。
Apple Machine Learning Research精选AI 评分7878 Apple 使用 MLX 与 Thunderbolt RDMA 在 Mac Studio 上进行本地及分布式 LLM 推理
Apple 使用 MLX v0.30.1 和 Thunderbolt 5 RDMA 在 Mac Studio 集群上运行 Muse Spark Open、Mistral Medium 3.5 与 Qwen 3.8，并比较流水线并行和张量并行方案。
推荐理由：文章提供单机和多机推理方案、配置命令与对比数据，便于评估大模型在 Mac Studio 集群上的部署表现。
IndyDevDan精选AI 评分7777 Pi Durable 如何构建可持久化的主动智能体
该视频拆解 Pi Durable 的主动智能体架构，并演示 JEV 分类器从实时日志中发现生产事故后触发 ON-CALL Pi agent。智能体可跨客户端保持共享状态和持续任务，在调查根因、编写修复后等待人工批准再部署。
推荐理由：视频通过生产事件触发、持久化状态和人工审批流程，展示了主动智能体的可落地实现方式。
Hugging Face：Qwen 新模型精选AI 评分7171 Qwen 发布 Qwen-Image-2.1-Turbo 加速图像生成模型
Qwen 发布 Qwen-Image-2.1-Turbo 加速检查点，面向文生图和图像编辑，采用与 Qwen-Image-2.1 相同的 7B 视觉生成架构。该模型仅需 8 个去噪步骤，内置推荐采样计划，默认使用 CFG=1，并借助前缀 KV 缓存复用文本和参考图上下文。
推荐理由：模型页给出了8步采样、CFG与KV缓存等配置，可用于评估快速图像生成与编辑的落地方式。
Anthropic News精选AI 评分7878 Anthropic 发布 Cyber Mission 并推出 OSS Scanner
Anthropic 启动长期网络安全计划 Cyber Mission，并推出 Critical Infrastructure Defense Program 与免费的 OSS Scanner。
推荐理由：文章拆解关键基础设施防御计划与免费开源扫描服务的协作机制，并说明误报风险与后续扩展路径。
Hugging Face：Qwen 新模型精选AI 评分6767 Qwen 开源 Qwen-Image-2.1 图像生成与编辑模型
Qwen 开源 Qwen-Image-2.1，将文本生成图像与图像编辑统一到一个模型中，视觉生成组件采用 7B 参数和 32 层 Single-Stream DiT。
推荐理由：模型兼顾生成、编辑与透明图像输出，并提供提示词改写和本地运行示例，便于评估其工作流适配方式。
Hugging Face：Qwen 新模型精选AI 评分7070 Qwen 开源 Qwen-Image-2.1 图像生成与编辑模型
Qwen 开源 Qwen-Image-2.1，将文本生成图像、图像编辑、透明图层生成与主体提取整合在同一模型中。其视觉生成组件采用 7B 参数和 32 层 Single-Stream DiT，支持最多 10 张参考图，以及圆形、绘制标注或独立蒙版指定的局部编辑。
推荐理由：模型提供文生图、图像编辑与透明图层生成，并公布安装和推理示例，方便开发者直接评估工作流。
Hugging Face：deepseek-ai 新模型精选AI 评分8787 DeepSeek 发布 DeepSeek-V4.1-Flash 多模态 MoE 模型
DeepSeek 发布 DeepSeek-V4.1-Flash，这是一款拥有552B主干参数、支持1M token上下文的多模态MoE模型，可原生处理图像和文本。
推荐理由：模型将1M token上下文与每token仅8B或16B激活参数结合，并量化了KV cache压缩效果，为高输入量智能体工作流提供成本对照。
Hugging Face：deepseek-ai 新模型精选AI 评分7373 DeepSeek 发布 DeepSeek-V4-Flash-Vision-Exp 实验性多模态模型
DeepSeek 发布 DeepSeek-V4-Flash-Vision-Exp，这是 DeepSeek-V4 系列首个实验性多模态模型。该模型在 ApexBench 的 Pass@1 得分由 26.2 提升至 36.5，Agents' Last Exam 得分由 25.2 提升至 27.3，文本 Agent 任务表现与 DeepSeek-V4-Flash-0731 相当。
推荐理由：仓库提供提示词编码、最小推理实现和基准结果，并给出 vLLM、SGLang 部署方式，便于评估与复现。
Hugging Face：Qwen 新模型精选AI 评分7171 Qwen-Drive-1.0-4B 发布
Qwen 发布 Qwen-Drive-1.0-4B，以 Qwen3.5-4B 视觉语言模型为基础，在统一框架中实现 3D 感知、驾驶场景问答和运动规划。模型外接 BEV 感知头与 Planning Expert，分别完成 3D 目标检测、语义占用预测、BEV 地图分割及未来车辆轨迹生成。
推荐理由：Qwen-Drive-1.0 将 3D 感知、驾驶问答与运动规划整合到同一多模态框架，并公开权重和推理代码。
Anthropic News精选AI 评分6262 Anthropic 开放 Model Hardware Standard 研究预览
Anthropic 面向首批科研实验室和先进制造商开放 Model Hardware Standard（MHS）研究预览，旨在让 AI 智能体安全操作多台物理设备。
推荐理由：MHS 提供跨设备统一驱动与控制机制，并展示 AI 智能体编排实验、实时调参和故障恢复的实践路径。
Hugging Face：moonshotai 新模型精选AI 评分8383 月之暗面发布原生多模态智能体模型 Kimi K2.5
月之暗面发布开源原生多模态智能体模型 Kimi K2.5，基于 Kimi-K2-Base 持续预训练约 15T 个视觉与文本 token。模型采用 1T 总参数、32B 激活参数的 MoE 架构，支持 256K 上下文、图像和视频输入、即时与思考模式以及多智能体协作。
推荐理由：模型页披露了架构、评测、部署与调用方式，便于比较其多模态和智能体能力及实际接入成本。
已经到底了