AWS 官方博客介绍了拜耳作物科学如何利用 Amazon Bedrock AgentCore 构建多智能体决策引擎（ADE），在生产环境中运行 22 个专有智能体以简化农业机器学习工作流。该系统采用 LangGraph 进行路由编排，通过 AgentCore Gateway 对接下游工具，在上线初期无需人工介入即可解决约 80% 的用户问题。
推荐理由：该案例展示了企业如何基于托管服务构建多智能体决策引擎，读者可以了解多智能体架构设计与生产环境落地的实际权衡。
Amazon SageMaker AI 宣布推出 training session APIs，允许开发者在本地 Python 进程中编写自定义训练循环，而由 AWS 在托管 GPU 上处理计算、分布式执行、容灾和检查点。
同一件事，精选收录的是《AWS 发布 SageMaker AI 模型自定义训练会话功能》
AWS 宣布推出 SageMaker AI 无服务器模型自定义的训练会话功能，允许开发者在无需管理底层 GPU 基础设施的前提下编写和协调自定义的后训练循环与奖励信号。该功能支持多轮强化学习等技术，目前已全面可用并支持 gpt-oss-20b、gemma-4-31B-it 等模型。
推荐理由：AWS 推出的 SageMaker AI 训练会话让开发者能够自定义后训练循环而无需管理 GPU 基础设施，降低了复杂强化学习和智能体微调的门槛。
OlmoEarth v1.3 卫星嵌入模型正式发布，同时开源了全球预计算的年度 64 维与 128 维嵌入数据及浏览器端探索工具。该模型基于雷达与多光谱卫星时序数据生成全球像素级嵌入向量，在多项评估中表现领先，且训练成本大幅降低。
推荐理由：该版本公开了全套模型权重与全球预计算嵌入，降低了地理空间任务的训练成本，读者可借此评估其在环境监测中的应用效率。
NVIDIA 推出面向区域短时预测的 StormScope EU 模型，并将其加入 Earth-2 开源模型与工具家族中。该系统利用 EUMETSAT 卫星观测数据，以 10 分钟间隔预测欧洲各地的云层演变。AXA、Vaisala Xweather、曼彻斯特大学和 TotalEnergies 等欧洲组织正利用 Earth-2 模型进行气旋风险研究、空气质量建模及太阳能预测。
欧洲零售商与科技公司正利用 NVIDIA 加速的开源模型与物理智能，推进智能代理商务、产品探索及零售研发。Shopify 对 NVIDIA Nemotron 3.5 Lightning 进行后训练，使其在内部基准测试中准确率超越领先的前沿模型，同时推理成本降低 90%，响应速度提升 7 倍。
全球企业正依托 NVIDIA DSX AI Factory Platform 将电网与 AI 工厂作为单一系统进行规划与模拟，以应对当前作为基础设施最大瓶颈的电力问题。
NVIDIA 扩展了 Cosmos 平台，推出包含五个云原生蓝图的 Cosmos Data Factory、Cosmos 3 模型变体以及更新的框架与微服务。新工具通过智能体技能加速多模态数据策展、模型微调、蒸馏和推理，已在保时捷、ANYbotics 和 MicroAGI 等企业和机构中落地应用。
推荐理由：该平台扩展了世界模型训练与部署工具，展示了物理 AI 在工业和自动驾驶中的数据与微调优化实践。
AWS 解决方案架构团队开源了生产级多智能体系统 Deep Insight，并解析了其在多智能体协作、模型选择、安全代码执行与运维监控方面的完整设计。系统通过 Strands Agents SDK 的 Graph 模式与 Agents-as-Tools 模式实现任务编排，结合 Amazon Bedrock 分配不同角色的 Claude 模型，并在 AWS Fargate 沙箱中安全执行生成代码。
推荐理由：文章给出了多智能体生产系统在架构设计与安全沙箱方面的落地细节，读者可以参考其分层编排与代码执行隔离方案。
本文介绍了如何在单台 trn2.48xlarge 实例上使用 torchtitan 在 AWS Trainium 芯片上训练 Qwen3 模型。文章详细讲解了通过 Transformers v5 后端、原生 Qwen3 配置以及自定义 Neuron Kernel Interface 的 MoE 内核这三种方式进行预训练或微调的具体步骤。
NVIDIA 推出 Kumo Relational 预训练关系型基础模型，可在单个前向传播中直接对企业数据库进行预测，无需任务特定训练或特征工程。该模型在多个关系型基准测试中超越了监督机器学习模型，支持通过开源 structured-data-models 库或 NVIDIA NIM 部署调用。
推荐理由：该模型直接在关系型数据库上进行少样本预测，无需复杂的特征工程与表合并，为结构化数据预测提供了高效方案。
本文介绍了如何在 AWS Trainium 上使用 TorchNeuron 和 PyTorch profiler 系统化地分析模型推理性能。
NVIDIA 推出了 SimReady Central 库，在 Hugging Face 上汇集了超过 2000 个支持仿真工作流的 OpenUSD 资产。该库由自然语言搜索提供支持，允许设备制造商提交和验证资产，供开发者和 AI 智能体快速构建机器人训练环境与 AI 工厂数字孪生。
推荐理由：NVIDIA 在 Hugging Face 上线 SimReady Central 库，为具身智能和 AI 工厂数字孪生提供两千多款免门槛的 OpenUSD 仿真资产，并支持自然语言搜索与 AI 智能体辅助场景构建。
NVIDIA 宣布面向开发者推出 Factory Operations Blueprint 工业智能体蓝图的早期访问，支持构建可协调工厂机器并执行质检与舰队管理的智能体。同时，NVIDIA 发布了 cuDSS 库的通用版本，并展示了 Siemens、Mercedes-Benz 等工业巨头利用 CUDA-X、Omniverse 及 Cosmos 模型加速工程仿真与工厂数字孪生的应用进展。
推荐理由：NVIDIA 发布了 Factory Operations Blueprint 工业智能体蓝图及多项仿真库更新，开发者可据此构建连接前沿模型的工厂管理与质检智能体。
NVIDIA 扩大了其开源模型系列，推出 Nemotron 3.5 Super VL 与 Bolt、Kumo 结构化数据模型、Cosmos 3.5 世界模型、Alpamayo 2 Edge 自动驾驶推理模型、BioNeMo RFD4-Proteina 蛋白质设计模型及 Ising 量子计算模型。
推荐理由：NVIDIA 一次性发布并开源了覆盖多模态、结构化数据、具身智能和科学计算的多个模型家族，为企业和开发者提供了可定制的主权 AI 基础架构。
AWS 官方博客介绍了如何在 Amazon SageMaker HyperPod 上通过监督微调和 GRPO 联合微调 GPT-OSS-20B 模型以支持多语言推理。SFT 将模型在目标语言中的推理能力从 22% 提升至 100%，而 GRPO 在此基础上将答案准确率进一步提升 8 个百分点。
推荐理由：文章详细演示了如何在 Amazon SageMaker HyperPod 上使用 SFT 与 GRPO 联合微调开源推理模型，为多语言推理优化提供了可落地的技术决策框架。
Hugging Face 宣布生态系统对 TorchTPU 实现原生支持，允许 PyTorch 用户通过简单的 device_map="tpu" 或 TPU 后端直接在 Google TPU 上运行 Transformers 和 Diffusers 模型。新方案摆脱了对 torch_xla 的依赖，并支持 Pallas 优化内核与 torch.compile 加速。
推荐理由：文章详细介绍了 TorchTPU 带来的原生支持方式与代码示例，为在 Google TPU 上运行 PyTorch 模型提供了清晰的工程参考。
Hugging Face 官方发布 AnyLanguageModel 1.0，同时推出 swift-huggingface 1.0 与 swift-xet 1.0。该版本提供与 Apple Foundation Models 兼容的替换 API，支持在 iOS、macOS 和 visionOS 上通过统一会话代码调用本地及托管模型，并新增了工具调用、引导生成和图片支持等功能。
推荐理由：官方发布 AnyLanguageModel 1.0 及相关 Swift 工具包，展示了通过统一 API 在 Apple 平台无缝切换本地与托管大模型的方法。
PyTorch 2.15 正式发布，为 Mac 的 MPS 后端带来 FP8 支持、混合专家模型解码提速以及显著优化的视频解码显存占用。
推荐理由：该版本大幅提升了 Mac 运行大模型与视频生成时的性能和显存效率，为本地开发提供了更实用的加速方案。
OpenAI 推出了最新模型，大幅提升了在 COBOL、Fortran 和 Visual Basic 等低资源编程语言中的软件构建与代码迁移能力。
推荐理由：原文公布了新模型在低资源编程语言和代码迁移上的具体评测基准与性能提升，读者可以据此评估模型在维护和现代化遗留系统时的实际能力。
Amazon SageMaker JumpStart 在 2026 年 1 月至 9 月期间新增了来自 30 个不同提供商的 100 多款开源模型。该机器学习中心提供模型发现与评估、一键部署及模型自定义等功能，支持通过控制台、SDK 或 Hugging Face 深度链接访问。
TorchNeuron 为 PyTorch 在 AWS Trainium 上提供全新原生后端，支持 eager mode、torch.compile 以及分布式 API 等特性。
Cloudflare AI 推出了新型 System One 提取模型 Clairic，目前已在 Workers AI 上以预览版形式托管，并计划很快开源权重。Clairic 能够在单次前向传递中从非结构化输入中提取、计算、估计和预测数值，无需生成 token，相比传统 LLM 具有更高的准确性、更快的延迟和更低的成本。
推荐理由：该模型采用单次前向传递直接提取结构化数据，展示了在数据处理工作流中替代传统 LLM 的高效率和低成本路径。
AWS 团队在 vLLM 中引入了双向 KV 缓存传输机制，允许解码节点将此前计算的 KV 缓存返回给预填充节点，从而避免多轮对话中的重复计算。在 Amazon EC2 P5en 实例集群的基准测试中，该功能在长提示词下将 Qwen3-32B 和 GLM-5-FP8 的首字延迟（TTFT）分别降低了最多 1.6 倍和 3.3 倍。
推荐理由：文章详细介绍了 vLLM 中双向 KV 缓存传输的架构与基准测试数据，帮助开发者评估其在减少多轮智能体工作负载首字延迟方面的实际效果。
AWS 推出了 vLLM 的推送式 NIXL 连接器，通过将解码侧的块注册和传输设置移至后台线程，与预填充计算进行重叠。在 Qwen3-32B 模型基准测试中，该模式相比拉取模式可将首字延迟（TTFT）降低最多 3 倍，并将每输出 token 耗时（TPOT）降低 30%。
推荐理由：文章介绍了 vLLM 的推送式 KV 缓存传输方案，读者可以了解它如何通过重叠预处理与解码设置来降低首字延迟。
vLLM 发布 v0.32.0 版本，引入了 Model Runner V2、更广泛的低精度 KV 缓存支持、结构化决策与通用解析器，并增强了对 NVIDIA、AMD ROCm、Intel XPU 等多硬件平台的大模型推理与投机解码能力。
推荐理由：vllm v0.32.0 带来了多项硬件平台性能优化与架构升级，为大模型推理部署提供了更低的延迟和更高的吞吐。
谷歌发布了将 AI 智能体锚定于生物现实的三项研究进展，旨在推动自主湿实验室的发展。其核心内容包括：推出 VERID 框架作为实验室工作单元的语义数字孪生以实现硬件安全与实时状态跟踪，通过适配体分子发现展示了闭环智能体科学发现流程，以及通过加速全新蛋白质结合体设计实现高效靶向结合。
推荐理由：原文介绍了谷歌在生物实验室自动化和智能体闭环发现方面的三项技术进展，为读者理解大模型如何与物理湿实验室结合提供了具体框架。
Reflection 实验室推出首款开源模型 Beam，这是一个拥有 501B 总参数、每 token 激活 23B 的 mixture-of-experts 架构大语言模型，支持 1M tokens 上下文窗口，专注于编码与智能体场景。
推荐理由：文章详细介绍了 Reflection 实验室首款 501B 开源 MoE 模型 Beam 的架构设计与部署方案，读者可以据此了解其在长文本和智能体任务上的技术实现。
Hugging Face 联合 IBM 发布了 Granite Switch 4.1 模型（包含 8B 和 30B 版本），通过复用基底模型的 KV cache 并在单个托管端点上集成了通用决策 aLoRA、安全卫士 aLoRA 以及语音转文本模型 Granite-Speech-5.0-Turbo-CTC。
推荐理由：原文介绍了多功能组合模型的架构及复用 KV cache 的实现方式，读者可以了解如何在单个端点上高效组合决策与语音能力。
Meta 发布了开源混合专家多模态模型 Muse Spark Open，拥有约 8160 亿总参数、每个 token 约 420 亿激活参数以及高达 100 万 token 的上下文窗口。该模型支持文本、图像、音频和视频输入，专为代码编写与智能体任务优化，并提供了 BF16 和 NVFP4 权重以及主流推理框架的部署指南。
推荐理由：原文介绍了该开源多模态混合专家模型的架构参数与部署推理方案，读者可借此评估其在长上下文与智能体任务中的落地可行性。
Apple 机器学习研究团队介绍了如何利用最新版 MLX 框架和 Thunderbolt 5 上的 RDMA 驱动程序，在 Mac Studio（搭载 M5 Ultra 芯片）上运行近万亿参数的 Muse Spark Open 等前沿大模型。
推荐理由：文章详细展示了利用最新 MLX 和 RDMA 技术在 Mac Studio 集群上运行近万亿参数大模型的方法与性能数据，为端侧大模型部署提供了具体的工程参考。
Microsoft Research 推出了 Magnetar，这是一个零知识虚拟机（zkVM），能够证明用 Rust、Go 或 C 编写的 RISC-V 程序执行过程。相比同类系统，它在速度上平均提升 10 到 39 倍，且其安全性仅依赖于标准哈希函数，无需可信设置或椭圆曲线。
推荐理由：微软展示了 Magnetar 如何在保持安全性的同时大幅提升零知识证明的性能，这为通用计算的可验证性提供了新的基准。
Black Forest Labs 推出的 FLUX.3 Image Klein 现已在 Diffusers 中首日上线，支持文生图、多参考图生图以及基于边界框的布局控制。文章提供了蒸馏版和基础版的加载代码、LoRA 微调脚本以及模块化流水线的架构解析。
推荐理由：文章介绍了 FLUX.3 Image Klein 模型在 Diffusers 中的原生支持，提供了代码示例和架构解析，可帮助开发者了解其在文生图与图像编辑上的新特性。
NVIDIA 发布 Nemotron 3.5 系列开源模型，包括 1200 亿参数的 Super VL 多模态模型及两个端侧 Bolt 模型。Super VL 具备前沿的多模态智能与高效吞吐，Bolt 74B-A9B 24GB 和 Bolt E4B 4GB 则分别适配本地工作负载与边缘设备交互。该系列覆盖从企业服务器到桌面及边缘设备的完整智能体部署场景。
推荐理由：文章详细公开了 Nemotron 3.5 系列开源模型的参数规模、端侧适配方案和多模态能力，读者可以据此评估其在本地及企业级智能体部署中的效能。
Mistral AI 发布首个时间序列基础模型系列 Timestral，提供 5M 至 209M 四种参数规模。该模型支持多元概率预测、过去与未来协变量及长上下文，在 GIFT-Eval、TIME 和 fev-bench 三大公开基准上表现领先。官方已开源 GitHub 仓库，并支持通过 Mistral Forge 进行领域微调与私有化部署。
推荐理由：官方发布了首个时间序列基础模型系列，给出了参数规模、基准表现与微调入口，读者可以据此评估其在预测任务中的应用潜力。
Project Apertus 发布 Apertus 1.5，推出 8B 和 70B 两个版本的开源模型，在 1.0 基础上扩展了图像与音频理解能力，新增可选思考模式，上下文窗口扩大至 262,144 个 token，并改进了指令遵循与工具调用。该模型基于 Apache 2.0 许可证在 Hugging Face 开源，完整公开了模型权重、训练数据及详细的技术报告。
推荐理由：该开源模型扩展了多模态理解与思考模式，并公开了完整权重与训练细节，为研究人员复现和改进开源大模型提供了完整参考。
NVIDIA 宣布加入欧洲委员会的 AI in Science Enablers 倡议，通过提供开源模型与数据集、开放课程、扩展算力接入及支持欧洲超级计算中心，扩大欧洲科研界和初创企业对高级技术的获取。
vLLM 发布 v0.32.0rc2 版本。此版本包含将 DeepSeek-V4.1-Flash-NVFP4 评估固定在其 FP8-Engram 修订版的相关更新。
北欧地区正通过加速构建AI基础设施和先进计算生态，成为欧洲增长最快的技术中心之一。NVIDIA通过投资Lovable和Legora等当地初创企业，并支持Spotify、ABB Robotics等企业利用NVIDIA软件与基础设施提升推理效率和仿真精度，持续推动北欧智能应用的规模化落地。
vLLM 发布 v0.32.0rc1 版本，更新了 Humming 依赖并移除了 NVFP4 scale workaround。该版本由 jinzhen.ljz 签署提交，并由 Codex、Misha Goin 和 Kevin H. Luu 共同完成。