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。
#部署/工程
Hugging Face Blog精选AI 评分7272 Hugging Face Blog精选AI 评分6767 Granite Switch 4.1 发布，整合聊天、决策与语音转录模型
Granite Switch 4.1 发布 8B 和 30B 模型，将通用与安全决策适配器、Granite-Speech-5.0-Turbo-CTC 语音识别模型及基础模型整合到同一托管端点。
推荐理由：文章给出 Granite Switch 4.1 的模型组合、适配器缓存复用与单端点部署方式，便于理解多能力统一推理的实现路径。
AWS Machine Learning Blog精选AI 评分6868 Meta Muse Spark Open 上线 Amazon SageMaker JumpStart
Meta 面向智能体编码工作流优化的开放权重模型 Muse Spark Open 现已上线 Amazon SageMaker JumpStart。该模型采用 MoE 架构，总参数量 816B、每个 token 激活 42B，支持 1M tokens 上下文，并提供 BF16 与 NVFP4 两种版本。
推荐理由：文章给出两种权重格式的实例映射、SDK 调用与清理步骤，可用于评估部署成本和接入方式。
NVIDIA BlogAI 评分3939 NVIDIA RTX Spark 发布：面向创作者、游戏玩家与 AI 智能体的新一代 Windows PC
NVIDIA RTX Spark 将于周五 Oct. 16 发布，定位为面向创作者、游戏玩家和 AI 智能体的 Windows PC。评测反馈称其在本地 AI、游戏与创意工作流方面表现突出，NVIDIA 还与多款应用合作完成优化。全球多地将于当天举办发布庆祝活动，用户可通过 #ShareYourSpark 参与活动并赢取 ASUS ProArt P14 RTX Spark。
AWS Machine Learning Blog精选AI 评分6969 AWS 介绍通过 Trust in Depth 管理 AI 智能体自主性
AWS 提出 Trust in Depth 分层方法，用范围界定、身份识别、边界控制和运行观测提高 AI 智能体的可控性。文章以帮助台智能体处理员工离职为例，介绍 Policy in AgentCore、AgentCore Gateway、Strands Box 和 Amazon CloudWatch Omni 如何执行权限、身份、策略与追踪控制。
推荐理由：文章以生命周期为线索拆解智能体的范围、身份、边界和观测层，并结合 AWS 产品说明如何落实这些控制。
NVIDIA Blog精选AI 评分7878 NVIDIA 发布 Nemotron 3.5 Super VL 与两款 Bolt 开放模型
NVIDIA 发布 120B 参数的开放多模态智能体模型 Nemotron 3.5 Super VL，以及面向端侧设备的 Nemotron 3.5 Bolt 74B-A9B 24GB 和 Bolt E4B 4GB。
推荐理由：这三款开放模型覆盖企业服务器到端侧设备，并披露训练、部署和行业定制信息，便于比较不同智能体场景的算力需求。
NVIDIA BlogAI 评分5959 NVIDIA 扩展欧洲科学界先进技术与算力获取渠道
NVIDIA 参与欧盟 AI in Science Enablers Initiative，向欧洲科研社区提供加速工具、模型、算力、数据、培训及协作项目支持。NVIDIA 已开源超过 250 个模型、250 个数据集和 1,400 多个软件项目，并通过 Hugging Face 与 GitHub 提供；其还正推进欧洲 35 台超级计算机的开发，预计服务超过 300 万名研究人员。
Hugging Face Blog精选AI 评分8181 FLUX.3 Image Klein 登陆 Diffusers，支持边界框布局控制
Black Forest Labs 的 FLUX.3 Image Klein 已登陆 Hugging Face Diffusers，一个模型支持文生图、多参考图生图和边界框布局控制。
推荐理由：文章提供两个检查点的配置、速度与显存数据，并给出布局控制、LoRA 微调和模块化工作流示例。
AWS Machine Learning BlogAI 评分4343 如何使用 Amazon Bedrock AgentCore 构建自我改进的文档处理系统
Amazon Bedrock AgentCore 可通过 8 个专用智能体和 2 条图式工作流，对发票、订单等业务文档进行分类、提取、验证与持续学习。该方案通常可在 20 分钟内部署，无需为新文档类型手工配置模板，并支持复用已保存的提取指令。
Google ResearchAI 评分5353 Google Research 在 Research@ 2026 展示十项研究与工具进展
Google Research 在 Mountain View 举行 Research@ 2026，展示覆盖地球智能、科学研究、技术文档审阅、端侧 AI、医疗和灾害预测等领域的十项进展。
AWS Machine Learning BlogAI 评分5656 Tamnoon 如何基于 Amazon Bedrock 构建 AI 云安全修复智能体 Tami
Tamnoon 基于 Amazon Bedrock 构建了云安全修复智能体 Tami，在 90 天内将关键云暴露降低最多 90%，且未出现生产问题。Tami 通过调查、安全评分、修复和代码生成四类智能体处理 CNAPP、CNSPM 等工具发现的云安全问题，并以独立评估、Guardrails、只读调查、审批和回滚机制约束执行。
AWS Machine Learning BlogAI 评分5757 使用 Amazon SageMaker JumpStart 部署并评估模型
Amazon SageMaker JumpStart 可通过 Python 脚本完成模型部署、样例提示词测试和端点清理。文章使用 SageMaker Python SDK 测量延迟、近似输出长度和单请求生成速率，并以 `huggingface-vlm-qwen3-5-27b` 1.13.0 为例展示测试结果；不同模型可能需要调整 payload 格式、实例类型、EULA 和响应解析方式。
NVIDIA BlogAI 评分4949 欧洲城市部署 NVIDIA 驱动的 AI 智能体与数字孪生以提升城市运营效率
欧洲多地城市正利用 NVIDIA 加速计算构建物理 AI 智能体和数字孪生，用于城市规划、基础设施维护、能源管理与公共服务。法国 Côte-d’Or 的智能体覆盖 500 多座公共建筑，将文件检索从数周缩短至几分钟，并使运营成本降低 10%；相关方案还采用 Cosmos、Nemotron、Omniverse 和 VSS Blueprint。
AWS Machine Learning Blog精选AI 评分7171 Anchor Browser 如何接入 Amazon Bedrock AgentCore payments 实现 x402 自动支付
Anchor Browser 已与 Amazon Bedrock AgentCore payments 集成，可让 AI 智能体通过 x402 协议自主购买网页内容和 API 服务。
推荐理由：文章拆解了托管支付层的接入流程及安全边界，为现有浏览器智能体增加自主付费能力提供可迁移实现。
AWS Machine Learning BlogAI 评分4545 使用托管权益管理 Amazon Bedrock 的私有定价优惠
AWS 通过 AWS License Manager 托管权益，帮助组织从中央账户集中管理 Amazon Bedrock 第三方模型访问并分发 AWS Marketplace Private Pricing Offers。文章提供一次性轻量脚本和基于 AWS CDK 的事件驱动自动化两种方案，可验证卖家、创建分布式授权并持续激活，支持记录 CloudWatch Logs 审计结果。
NVIDIA Blog精选AI 评分7878 NVIDIA RTX Spark 笔记本将上线并完善本地 AI 软件生态
NVIDIA 与合作伙伴将在 RTX Spark 笔记本上市前推出本地 AI 智能体、模型、创作应用和开发者工具更新，相关笔记本计划于 10 月 16 日上市。文章还介绍 Nemotron 3.5 Bolt 74B、开源路由器 NVIDIA PAIR、Adobe 应用优化、Broadcast 2.3、llama.cpp Windows 应用及 DLSS 5 等更新。
推荐理由：文章集中梳理 RTX Spark 发布前的软件生态、模型、创作工具、开发者环境和游戏支持，能帮助读者判断本地 AI 工作流的实际覆盖范围。
Hugging Face Blog精选AI 评分7474 Hugging Face ML Intern 用提示词自动训练并发布模型
Hugging Face 展示了如何在 HuggingChat 中启用 ML Intern，通过自然语言提示完成数据准备、基线测试、训练、评测和模型发布。作者用 7 个项目验证了工作流，总计算成本约 USD 103，其中 0.8B Pocket Rewriter 可在 CPU 上运行，并提供全部提示词与模型、数据集和应用。
推荐理由：文章拆解了用 ML Intern 自动规划、训练、评测并发布模型的方法、成本控制和多组项目结果。
GitHub Blog · AI & ML精选AI 评分6969 GitHub Secret Protection 引入 ModernBERT 密钥检测模型
GitHub 推出与 Microsoft Applied Sciences 合作微调的 ModernBERT 分类器，用于识别非结构化密钥并扩展 Secret Protection 的推送保护。
推荐理由：GitHub结合九个季度的数据说明代码增长速度与凭据暴露处置压力，并介绍用于提前识别非结构化密钥的 ModernBERT 分类器及其应用范围。
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。
Microsoft ResearchAI 评分4444 Microsoft Research 机器学习系统预测空间天气对电网的风险
Microsoft Research 开发端到端机器学习系统，结合太阳风观测、AE 与 Dst 预报、地质和电网数据，为美国本土 66,935 座变电站生成空间天气风险预测。系统可提前 30-60 分钟发出预警，对重大、严重和极端事件的检测率分别为 76.5%、81.2% 和 64.1%。
Mistral AIAI 评分4747 Mistral 在慕尼黑开设德国中心，推进欧洲工业 AI
Mistral 在慕尼黑开设新中心，组建 Physics AI 与 Industrial AI 专业团队，服务德国工业客户。该中心将与 BMW、Siemens Energy 及 TUM 合作开展碰撞模拟、工业 AI 和汽车空气动力学数字孪生研究。Mistral 计划到 2030 年建设 1 GW 欧洲算力，并凭借开放权重模型和本地部署强化 AI 主权。
Microsoft Research精选AI 评分6666 Microsoft Research 研究物理 AI 机器人推理卸载并扩展 Physical AI Toolchain
Microsoft Research 研究了将物理 AI 推理从机器人车载 GPU 卸载到边缘或云端 GPU 的方案。实验显示，卸载可提升映射、规划、导航和操作性能，并减少电池消耗；研究团队还在 Physical AI Toolchain 中加入基于 Kubernetes 的自动容器化、部署和推理卸载能力。
推荐理由：文章通过移动机器人实验展示推理卸载对任务性能、电池续航和部署规模的影响，并给出基于 Kubernetes 的实现工具。
Mistral AIAI 评分4848 Mistral 与 Cloudera 携手推出面向企业数据的主权智能合作
Mistral 与 Cloudera 建立合作，将 Mistral 模型集成至 Cloudera 混合数据平台，支持企业跨越私有云、公共云、本地及完全隔离环境进行推理。企业还可利用受控环境中的专有数据训练并拥有定制模型；合作面向 Cloudera 平台上 30 exabytes 的客户管理数据。
Berkeley AI ResearchAI 评分5454 K-Search 通过 CUDA-to-MLX 翻译层优化 Apple Silicon kernel
UC Berkeley Sky Lab 与 IBM Research 扩展 K-Search，加入结构化 CUDA-to-MLX 翻译层，将已有 CUDA kernel 优化知识迁移到 Apple Silicon。
Berkeley AI ResearchAI 评分5454 ABBEL：通过更新信念状态提升长程交互效率
ABBEL 将交互历史压缩为可更新的自然语言信念状态，并通过信念分级监督其信息保留能力。在 CollabBench 中，重构式信念分级将模型与完整上下文模型的性能差距缩小约 50%，训练步数减少 50%；在多目标问答中加入峰值信念长度惩罚后，模型在较少内存占用下保持了相近性能。
Berkeley AI ResearchAI 评分4040 自适应并行推理：高效推理扩展的下一范式
Berkeley AI Research 分析自适应并行推理，探索让 LLM 自主决定何时分解任务、生成多少并发推理线程及如何协调。现有的 Best-of-N、MCTS 和 GroupThink 等方法，通常将并行结构或搜索策略预设在模型之外，难以适应不同问题。 sequential 推理还可能带来上下文退化、延迟和计算成本上升。