在 EKS 上用 Ray Train DLC 与 EFA 做分布式训练
AWS 发布 Ray Train 深度学习容器（DLC），在 EKS 上借助 KubeRay 与 EFA 直接跑多机分布式训练，无需自行构建镜像。
#开源/仓库
AWS Machine Learning BlogAI 评分3434
NVIDIA Blog精选AI 评分6060 NVIDIA RTX Spark 笔记本更新：新增 Nemotron 3.5 Transcribe 模型、智能体 GPU 资源管理与游戏支持
NVIDIA 为 RTX Spark 轻薄笔记本带来一批更新，包括开放权重的语音模型 Nemotron 3.5 Transcribe、NVIDIA App 中在前后台应用与后台智能体之间分配 GPU 资源的控制项，以及 LFM3 系列模型的 day-zero 支持。
推荐理由：原文列出 RTX Spark 笔记本新增的语音模型、GPU 资源分配和本地智能体支持，可据此判断本地 AI 工作流的可用边界。
Hugging Face Blog精选AI 评分7878 NVIDIA 发布 Nemotron 3.5 Transcribe 与 Granary v2 数据管线
NVIDIA 发布开放权重模型 Nemotron 3.5 Transcribe，把转写、说话人分离、翻译和音频问答合入同一 checkpoint，已在 Hugging Face 和 ModelScope 上线。
推荐理由：原文给出多语言转写、说话人分离与翻译的统一权重模型，并附可复用的数据管线和微调配方，便于判断落地成本。
NVIDIA BlogAI 评分3636 NVIDIA 与 C-BRAIN 如何用 AI 加速阿尔茨海默病研究
NVIDIA 与 C-BRAIN 合作，用 AI 加速阿尔茨海默病研究，C-BRAIN 已构建 OpenScientist 和 InsightEngine 两款开源智能体工具。OpenScientist 能在数分钟内完成原本需数周至数月的分析，单次运行成本低于 10 美元。C-BRAIN 目前运行 64 块 NVIDIA 数据中心 GPU，并计划引入 Blackwell 系统。
AWS Machine Learning BlogAI 评分3434 用 SageMaker SDK v3 在边缘端管理车队级计算机视觉模型生命周期
AWS 发布基于 SageMaker Python SDK v3 的车队级边缘计算机视觉模型生命周期方案，用 SageMaker Neo 替代已弃用的 Edge Manager 做边缘优化。
Hugging Face BlogAI 评分3838 Hugging Face 上线 torch-neuronx 模型支持查询 Space，可查模型能否跑在 AWS Trainium 上
Hugging Face 推出 torch-neuronx 模型支持 Space，可查询 Hub 上热门模型能否不经修改在 AWS Trainium 上运行，并给出复现脚本。
Hugging Face Blog精选AI 评分6565 微软与 Hugging Face 将数据库校验转为 RL 奖励，用 ThinkingBox 后训练智能体
微软与 Hugging Face 联合发布 ThinkingBox-Training，把 ThinkingBox 对数据库终态的可执行校验直接当作奖励，对 Qwen3.8-27B 做 50 步 GRPO 全参数微调。
推荐理由：微软与 Hugging Face 把数据库终态校验改造成 GRPO 奖励，并公开了任务筛选与训练代码，可供做智能体后训练时参考。
Hugging Face BlogAI 评分5050 IBM Granite 时序模型集成预测：四种架构组合与可扩展预测接口
IBM 在 Hugging Face 发布 Granite Timeseries Ensemble，用一套配方组合 PatchTST-FM-r1、PatchTST-FM-r2、FlowState-r1.1 和 TTM-r3 四个预训练 Granite 时序模型，无需重训即可输出中位数与分位数预测。
NVIDIA Blog精选AI 评分6464 NVIDIA 扩展 Cosmos 平台，新增世界模型训练、评估与部署工具
NVIDIA 扩展 Cosmos 平台，新增训练工具、仿真 checkpoint 和 Cosmos Data Factory 蓝图，用于世界模型的训练、评估与部署。
推荐理由：原文给出数据工厂蓝图、框架技能与 NIM 部署的完整链路，读者可据此判断世界模型开发流程的模块化程度。
Mistral AI精选AI 评分7171 Mistral 发布时间序列基础模型 Timestral，最大 209M 参数
Mistral 发布首个时间序列基础模型系列 Timestral，提供 5M、28M、123M 和 209M 四个尺寸，最大模型在 GIFT-Eval、TIME 和 fev-bench 三项公开基准上排名第一，参数量为前代 SOTA 的三分之二。
推荐理由：原文给出四个尺寸的参数量、CPU 推理延迟和三项基准排名，可据此判断时间序列基础模型的落地成本。
Microsoft Research精选AI 评分7575 微软研究院开源 Agent Lightning v1.0：约 3500 行的轻量智能体 RL 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：微软研究院开源约 3500 行的智能体强化学习框架，让部署时的 harness 直接参与训练，并给出可复现的编码智能体训练结果。
GitHub Blog · AI & MLAI 评分5858 GitHub 发布 AI 代码评审开放基准 ReviewBench
GitHub 发布 AI 代码评审离线基准 ReviewBench，基于 1.039 亿个 GitHub PR 的分布特征，构建了覆盖 19 种语言、219 个公开 PR 的评测集。
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 后端，并加入结构化 CUDA-to-MLX 翻译层，让已有 CUDA 内核作为知识库迁移到 Apple Silicon。
推荐理由：原文给出注意力与 Mamba 两个内核的实测数字，并拆出翻译层带来的增益，可据此判断跨平台内核迁移的可行边界。
Berkeley AI ResearchAI 评分3838 Berkeley AI Research 提出 SPEX 与 ProxySPEX：大规模识别 LLM 关键交互
Berkeley AI Research 提出 SPEX 与 ProxySPEX 算法，用于在大规模场景下识别 LLM 中的关键交互。SPEX 利用稀疏性与低阶性把交互搜索转化为稀疏恢复问题，ProxySPEX 进一步借助层级结构，以约 10x 更少的消融达到 SPEX 的性能。在情感分析任务上，SPEX 在上下文扩展至数千特征时仍保持高忠实度，优于 LIME、Banzhaf 等方法。
Berkeley AI ResearchAI 评分3838 伯克利提出基于信息量的成像系统设计框架，登NeurIPS 2025
伯克利AI研究团队提出一种直接以互信息评估和优化成像系统的框架，在NeurIPS 2025论文中证明该信息指标可预测彩色摄影、射电天文、无透镜成像和显微镜四个领域的系统性能。优化该指标得到的设计可媲美SOTA端到端方法，同时占用更少内存和算力，且无需任务专用解码器设计。方法利用成像噪声物理特性，仅需从测量数据学习总变差项，估计值构成真实信息量的上界。