开源模型、框架与仓库动态：权重开放、社区项目爆火、开源与闭源的力量消长。
Hugging Face 发布 LeRobot v0.6.0，围绕机器人学习闭环引入世界模型策略（VLA-JEPA、FastWAM、LingBot-VA）、新一批 VLA（GR00T N1.7、MolmoAct2、EO-1、EVO1、Multitask DiT）以及统一奖励模型 API（Robometer、TOPReward）。
推荐理由：LeRobot v0.6.0 把世界模型策略、奖励模型与统一评测串成闭环，读者可据此判断开源机器人学习栈的当前边界。
Mistral 发布 Leanstral 1.5，一个 Apache-2.0 许可、119B 总参数、仅 6B 激活参数的形式化验证模型，在 miniF2F 上达到 100%，解出 PutnamBench 672 题中的 587 题，并在 FATE-H 取得 87%、FATE-X 取得 34% 的 SOTA 成绩。
推荐理由：官方给出 Leanstral 1.5 在形式化验证基准上的成绩与单题成本，读者可据此判断开源证明模型的性价比。
Hugging Face 与 Cerebras 联合演示了一套实时语音到语音流水线，用 Cerebras 加速 Gemma 4 31B 推理，以降低语音交互延迟。
推荐理由：原文给出了可复用的开源语音到语音流水线架构与各层组件，读者可据此评估实时语音交互的搭建方式。
Google DeepMind 发布实验性开源模型 DiffusionGemma，采用文本扩散方式并行生成整块文本，在专用 GPU 上最高实现 4 倍推理提速，单张 NVIDIA H100 上超过 1000 tokens/秒，RTX 5090 上超过 700 tokens/秒。
推荐理由：官方给出 26B MoE 文本扩散模型的速度数据、硬件门槛与质量取舍，便于判断本地低并发场景是否值得尝试。
Google DeepMind 发布 Gemma 4 12B，一款面向笔记本本地运行的多模态模型，采用无编码器统一架构，视觉与音频输入直接进入 LLM 主干。官方称其基准性能接近 26B MoE 模型，内存占用不到后者一半，可在 16GB 显存或统一内存的设备上运行，并首次在中等规模模型中支持原生音频输入。
推荐理由：Gemma 4 12B 用无编码器架构把多模态能力压到 16GB 显存，可对照其与 26B MoE 的性能差距。
Google Research 在 GitHub 上以 Apache 2.0 许可开源其水文建模框架，让各国气象与水文机构能用与 Google Flood Hub 相同的架构和相近训练数据训练 AI 洪水预报模型。
推荐理由：Google 把驱动 Flood Hub 的水文模型架构与训练流程开源，读者可据此判断本地洪水预报如何接入自有数据。
Mistral AI 发布 Search Toolkit 公开预览版，这是一个用于构建 AI 应用生产级搜索管线的可组合框架，将摄取、检索与评测统一到共享接口下，开源并支持云端、本地和边缘部署。
推荐理由：Mistral 把摄取、检索与评测收进同一框架，读者可据此判断自建 RAG 管线的整合成本是否下降。
Mistral 宣布将 Emmi AI 并入公司，推出面向工业工程的物理 AI 能力，作为其企业平台的一部分。该能力从几何与边界条件直接预测物理场，单次前向推理在单块 GPU 上以秒级完成，而非传统求解器的小时到数周。Mistral 称其合作方包括 ASML、Airbus、Safran 和 Siemens Energy，并已开放 AI 4 Engineering 团队的新职位。
推荐理由：Mistral 把物理仿真 AI 纳入企业平台，并给出 ASML、Airbus 等合作方，读者可据此判断工业仿真工作流的可能变化。
Mistral 发布 Mistral Medium 3.5，这是一个 128B 稠密模型，在 SWE-Bench Verified 上得分 77.6%，以修改版 MIT 许可开放权重，API 定价为每百万输入 token 1.5 美元、每百万输出 token 7.5 美元。
推荐理由：Mistral 把编码智能体搬到云端并同步开源 128B 模型，读者可据此判断自托管与异步编码的可行边界。
Google DeepMind 推出 Gemini for Science，包含 Google Labs 上的三个实验性工具：基于 Co-Scientist 的 Hypothesis Generation。
推荐理由：Google 把 Co-Scientist、AlphaEvolve 等研究成果打包成可申请试用的科学工具，读者可据此判断科研智能体的落地形态。
Mistral AI 发布首款文本转语音模型 Voxtral TTS，4B 参数，支持英语、法语、德语、西班牙语、荷兰语、葡萄牙语、意大利语、印地语和阿拉伯语 9 种语言，具备情感表达与低延迟特性。
推荐理由：Mistral 首款 TTS 模型给出参数量、延迟与定价，并附与 ElevenLabs 的对比评测，可据此判断企业语音栈的选型空间。
Mistral AI 发布 Mistral Small 4，这是 Mistral Small 系列的新一代模型，首次把 Magistral 的推理、Pixtral 的多模态和 Devstral 的智能体编码能力统一到单一模型中，采用 Apache 2.0 许可。
推荐理由：Mistral 把推理、多模态与编码能力合并进单一开源模型，并给出可配置推理强度与部署门槛。
Mistral 发布 Leanstral，称其为首个面向 Lean 4 的开源代码智能体，采用 6B 激活参数的稀疏架构，权重以 Apache 2.0 许可开放，并接入 Mistral Vibe 与免费 API 端点 labs-leanstral-2603。
推荐理由：Mistral 开源面向 Lean 4 的代码智能体，给出与 Claude 系列及开源模型的成本与得分对比，可据此判断形式化验证路线的性价比。
Mistral 基于其开源编码助手 Vibe 构建了一个自动为 Rails 项目生成和改进 RSpec 测试的智能体，可在 CI/CD 中无人干预运行，并支持多实例并行处理不同文件。
推荐理由：Mistral 公开了在 Vibe 上构建自动写 RSpec 测试智能体的完整方法，包括 AGENTS.md、skills 与自定义工具的可迁移细节。
Mistral 发布 Voxtral Transcribe 2，包含面向批量转写的 Voxtral Mini Transcribe V2 和面向实时场景的 Voxtral Realtime，支持说话人分离、上下文偏置和词级时间戳，覆盖 13 种语言。
推荐理由：Mistral 一次放出批量与实时两款语音转写模型，并给出延迟、错误率与价格对比，可据此判断语音应用的选型空间。
Mistral AI 发布 Devstral 2 编码模型家族，含 123B 的 Devstral 2 和 24B 的 Devstral Small 2，分别采用修改版 MIT 与 Apache 2.0 许可，均开源。
推荐理由：官方给出两款开源编码模型的参数、SWE-bench 成绩与许可差异，可据此判断本地部署与成本取舍。
Mistral 发布 Mistral 3 系列，包括 Mistral Large 3 和 3B、8B、14B 三个尺寸的 Ministral 3，全部以 Apache 2.0 许可开源。
推荐理由：Mistral 3 一次性放出 Large 3 与 Ministral 3 全系权重，读者可据此判断开源前沿模型与端侧小模型的当前分工。
Mistral 发布 Voxtral 语音理解模型，提供 24B 生产级和 3B 本地/边缘两个版本，均以 Apache 2.0 许可开源并上线 API。模型支持 32k token 上下文，可处理最长 30 分钟音频转写或 40 分钟音频理解，并内置问答、摘要、多语言识别和语音触发函数调用。
推荐理由：Mistral 开源语音理解模型，给出两种尺寸、32k 上下文与 API 定价，可据此判断语音转写与理解的成本与部署选择。
Mistral AI 与 All Hands AI 合作发布 Devstral Medium，并升级 Devstral Small 1.1。
推荐理由：官方给出两款 Devstral 的 SWE-Bench Verified 分数、开源许可与 API 定价，便于对比代码智能体的成本与性能。
Mistral AI 发布 Mistral Compute，提供私有化集成 AI 基础设施栈，涵盖 GPU、编排、API、产品与服务，形态从裸金属服务器到全托管 PaaS。
推荐理由：Mistral 把自建训练与推理基础设施对外开放，读者可据此判断欧洲主权 AI 算力供给的形态与边界。