NVIDIA与IIT Madras发布Indic预训练研究与2.8T token数据集
NVIDIA与IIT Madras及AI4Bharat将发布Nemotron-pretraining-Indic-v1，覆盖22种印度语言、约2.8万亿token，并同步开放GPU加速的数据生成流程。
推荐理由：报告同时给出2.8T token语料、生成流程与continued pretraining评测，便于理解印度语言数据扩展的方法和效果边界。
#数据/训练
Hugging Face Blog精选AI 评分7272
GitHub Blog · AI & ML精选AI 评分7272 GitHub 用 ModernBERT 提升秘密检测效率并降低噪声
GitHub 为秘密扫描设计了 Regex 候选生成与微调 ModernBERT 分类器组成的两阶段管线，用于结合上下文区分真实凭据和外观相似字符串。该分类器已将通用秘密检测扩展至 push protection，相比此前的 LLM 管线，仓库所有者加权接受率提高 11.5%，提交后扫描中位执行时间降低 86%，服务成本降低超过 98%。
推荐理由：GitHub 公开了紧凑型秘密检测模型的训练与混合扫描设计，并提供精度、召回率、延迟和成本数据。
Microsoft Research精选AI 评分8181 Microsoft Research Asia 开源 Agent Lightning v1.0 轻量级 Agentic RL 框架
Microsoft Research Asia 发布并开源 Agent Lightning v1.0，以约 3,500 行代码构建轻量级 Agentic RL 控制平面。
推荐理由：原文同时说明框架架构、训练流程和编码智能体实验结果，便于评估其如何接入现有 Agent harness。
已经到底了