Mistral 发布 Mistral Large 4 开放权重，主打编码与防御安全
Mistral 发布 Mistral Large 4（Le Chonk）的开放权重，这是一款 1 万亿参数的原生多模态模型，在公开预览后经过三周强化学习，编码与防御安全能力进一步提升。
推荐理由：原文给出开放权重、三档推理模式和定价，读者可据此比较开源模型在编码与防御安全上的取舍。
#开源/仓库
Mistral AI精选AI 评分8888 Hugging Face BlogAI 评分5858 AnySpeechRecognizer 与 AnyDecisionModel 发布：面向 Apple 平台的语音与决策开源模型包
AnySpeechRecognizer 与 AnyDecisionModel 两个 Swift 包发布，前者在 Apple 的 SpeechAnalyzer API 下可切换 Apple、Parakeet、Qwen3-ASR 等识别引擎并新增说话人分离，后者以概率而非生成文本回答是/否、多选和评分问题。
Hugging Face Blog精选AI 评分7171 Liquid AI 发布 LFM3 系列：2B 级统一骨干覆盖文本、视觉、音频、全模态与决策模型
Liquid AI 发布 LFM3 新一代 Liquid Foundation Models，六个 2B 级模型（文本、视觉、音频、全模态、d1-2B、d1-omni-2B）全部从 LFM3-1.7B-Base 分支而来，权重已在 Hugging Face 开源。
推荐理由：Liquid AI 用同一 2B 级骨干覆盖文本、视觉、音频、全模态与决策模型，并给出单卡微调与端侧部署路径。
Mistral AI精选AI 评分7878 Mistral 发布 Voxtral 3 语音模型家族与语音智能体 SDK
Mistral 发布 Voxtral 3 语音模型家族，包含支持 50+ 语言的转写模型 Voxtral Small Transcribe 3、支持 35+ 语言和 50+ 方言的 TTS 模型 Voxtral Mini TTS 3，以及基于 LiveKit 的语音智能体 SDK。
推荐理由：Mistral 一次发布语音转写、TTS 与语音智能体 SDK，并给出多语言基准和每分钟定价，便于横向比较。
Mistral AI精选AI 评分7171 Mistral 发布时间序列基础模型 Timestral，209M 参数登顶三项基准
Mistral 发布首个时间序列基础模型系列 Timestral，提供 5M、28M、123M、209M 四个规模，最大模型以 209M 参数在 GIFT-Eval、TIME、fev-bench 三个公开基准的预训练零样本模型中排名第一，参数仅为此前 SOTA 的三分之二。
推荐理由：Mistral 首次进入时间序列基础模型，209M 参数在三个公开基准上排名第一，并给出 CPU 推理延迟与微调路径。
Microsoft Research精选AI 评分7676 微软研究院开源 Agent Lightning v1.0：约 3500 行的轻量智能体强化学习框架
微软研究院开源 Agent Lightning v1.0，这是一个约 3500 行代码的轻量智能体强化学习框架，提出 Harnessed Agentic RL 范式，让部署时使用的 agent harness 直接参与训练，无需在训练框架内重写智能体。
推荐理由：微软研究院开源 Agent Lightning v1.0，用约 3500 行代码把真实 harness 接入强化学习训练，并给出可复现的编码智能体训练结果。
Qwen BlogAI 评分5858 Qwen 发布自动驾驶视觉-语言基础模型 Qwen-Drive-1.0
Qwen 团队提出 Qwen-Drive-1.0，这是首个在预训练阶段统一 3D 感知与视觉问答、并扩展到运动规划的自动驾驶视觉-语言基础模型，且全程保持预训练 VLM 架构无改动。
Qwen Blog精选AI 评分8282 Qwen3.8-Flash-Next 开源权重发布：125B 多模态 MoE，每 token 激活 6B
Qwen 发布开源权重的多模态 MoE 模型 Qwen3.8-Flash-Next，主模型 125B 参数、另配 51B N-gram Embedding，每 token 激活 6B 参数，并作为 Qwen4 所用模型结构的先导预览。
推荐理由：原文给出了新架构的四个改动方向与训练成本对比，可据此判断 Qwen4 结构走向与性价比取舍。
Berkeley AI Research精选AI 评分6262 从 CUDA 到 MLX：K-Search 如何把内核优化经验迁移到 Apple Silicon
Berkeley Sky Lab 与 IBM Research 将 K-Search 内核搜索框架扩展到 MLX，通过结构化的 CUDA 到 MLX 翻译层，让已有 CUDA 内核作为知识库适配到 Apple Silicon。
推荐理由：原文给出了 CUDA 到 MLX 的翻译层设计与两组内核实测数据，可了解跨硬件迁移优化知识的具体做法。