跨栏目找相关项:同一话题的工具、提示词、论文,可能横跨数天甚至数月才凑齐。
OpenAI 一次发布 372 项数学证明，包括唯一游戏猜想
Anthropic 发布 Claude Haiku 5.5：定价对齐 GPT-6 Luna，同步下调 Sonnet 5.5 缓存读取费用
NVIDIA 与 Microsoft 联合推出 RTX Spark 与 DGX Station for Windows
OpenAI 向 ChatGPT 免费和 Go 用户推送 GPT-6 Luna，付费用户切换至 GPT-6 Sol
OpenAI 在 ChatGPT 全球推出 GPT-6 与 Intelligent UI
Anthropic 发布 Claude Haiku 5.5，主打高吞吐低成本任务
当用户的某个意图（如last_intent）尚未处理完成时，自动提示用户并继续处理该业务。
为电商平台机器人客服提供开场白、常见问题回复和结束语的话术模板参考。
智能客服机器人与访客互动的对话模板（欢迎新访客、欢迎回头客、显示常见问题等）。
服装加工合同模板，含甲乙双方信息及加工委托条款
用于合同审查场景，让大模型扮演特定行业、特定立场的合同审查专家，平衡利益与风险。
帮助分析患者症状，提供可能的诊断方向和建议，适用于初步诊断筛查。
Hugging Face 发布 Grabette，一款开源手持式机器人操作数据采集系统。用户可用手持夹持器记录人类演示，自动转换为 LeRobot 格式的数据集用于训练机器人策略。
推荐理由：原文给出了具体的硬件成本 BOM、配套的 Gripette 机械爪和 LeRobot 训练流程，读者可以据此判断这个数据采集方案是否适合自己的机器人学习项目。
DharmaOCR 在巴西葡萄牙语 OCR benchmark 上得分 0.925，超越 Mistral OCR4（0.798）和 Unlimited-OCR（0.7587）。
Hugging Face 本周检测到一起由自主 AI 智能体系统端到端驱动的安全入侵事件。攻击者通过恶意数据集利用数据集处理流程中的代码执行路径入侵，横向移动到多个内部集群，累计执行超过 17,000 次自动化操作。
推荐理由：真实披露了 AI 智能体驱动的攻击手法和防御经验，特别是指出商业 API 护栏会阻止安全分析这一关键洞见。
Hugging Face 发布 Real World VoiceEQ 基准，评估语音 AI 的人类交互质量。该基准基于超过 100 万个人类评分，涵盖 785,000 个 TTS 评分和 48,000 个 STS 评分，评估了 40+ 领先语音模型在 15+ 关键维度和 60+ 指标上的表现。
推荐理由：原文给出了 40+ 模型在 15+ 维度和 60+ 指标上的具体评测发现，读者可据此了解当前语音 AI 的真实能力边界与主要短板。
Thinking Machines 发布开源多模态大模型 Inkling，参数总量 975B、激活 41B，支持图像、音频、文本三种模态输入，拥有 1M 上下文窗口，训练数据达 45T token。
推荐理由：原文给出了完整的架构说明、基准测试对比和部署配置，读者可以据此判断该模型在多模态推理任务上的相对表现以及自身硬件能否部署。
本教程演示如何使用 PyTorch profiler 分析 Transformer 架构中的注意力机制，展示了 naive attention 的 5 个核心 kernel：matmul、mul（缩放）、masked_fill、softmax 和 matmul。
vLLM 的 transformers 建模后端现已与自定义原生实现速度相当或更快，支持 Qwen3-4B 单卡、Qwen3-32B 张量并行、Qwen3-235B-A22B-FP8 MoE 数据+专家并行三种配置。
推荐理由：提供了三种不同规模 Qwen3 模型的基准对比数据，读者可以据此判断该更新对自己模型推理场景的实际价值。
Hugging Face 与 Amazon SageMaker AI 推出深度链接集成，开发者可在 Hugging Face 模型页面一键跳转至 SageMaker Studio 进行模型定制或部署。
推荐理由：一键集成让开发者从模型发现到实验部署的路径大幅缩短，这是 Hugging Face 与 AWS 生态深度绑定的关键一步。
微软在 Build 2026 上宣布 Foundry Managed Compute 支持部署 Hugging Face 开源模型，提供经过安全扫描的模型、预构建的运行时（vLLM、SGLang、TensorRT-LLM 等）和企业级安全治理，开源模型可与 frontier 模型一起在 Foundry Agents 中使用。
推荐理由：这是微软为企业提供的开源模型部署方案，读者可以了解到如何在微软云上获得企业级安全保障的同时使用开源模型。
LeRobot v0.6.0 发布，带来世界模型策略（VLA-JEPA、LingBot-VA、FastWAM）让机器人学会想象未来，以及一批新 VLA 模型（GR00T N1.7、MolmoAct2、EO-1、EVO1）。
推荐理由：原文给出了 world model policies、新 VLA 模型、reward models API 等具体能力变化，读者可以据此了解机器人学习工具链的最新进展。
Hugging Face 与 SkyPilot 合作，将 Hugging Face Storage 集成 为 SkyPilot 官方存储后端。用户可通过 hf:// 协议挂载 Hugging Face Bucket（读写）或模型/数据集/Space 仓库（只读），在任意云上运行训练和推理任务，且读写 Hugging Face 数据免收出口费用。
推荐理由：原文给出了 Hugging Face Storage 成为 SkyPilot 存储后端的具体集成方式、基准数据和使用场景，读者可以据此判断它对自己跨云训练/推理工作流的影响。
Hugging Face 推出了 Kernels 项目重大更新，包括新增 kernel 仓库类型、增强安全机制（可信发布商和代码签名）、重构 CLI 以及扩展框架支持。项目还为 AI 智能体开发内核奠定了基础，支持智能体进行内核的搭建、基准测试和迭代优化。
Hugging Face 与 Cerebras 合作展示了基于 Gemma 4 的实时语音转语音系统，采用模块化开源架构：Nvidia Parakeet 语音识别 + Cerebras 加速 Gemma 4 VLM 推理 + 阿里 Qwen3TTS 语音生成。该系统已在超过 9,000 台 Reachy Mini 机器人上部署，旨在解决语音 AI 的延迟问题，提供更稳定、可预测的低延迟体验。
推荐理由：原文展示了实时语音 AI 的低延迟方案，读者可以了解这个技术演示的核心架构和性能改进。
IBM Research 发布 ScarfBench，这是一个开源的企业 Java 框架迁移基准测试，评估 AI 智能体在 Spring、Jakarta EE、Quarkus 之间迁移企业应用的能力。
优化理论、进化生物学和竞争市场共同预测专业化是AI系统的必然选择。Goldfeder、Wyder、LeCun和Shwartz-Ziv的2026年论文引用Wolpert与Macready 1997年的定理证明，没有通用优化算法能在所有问题上胜出，资源有限时集中能力必然优于分散能力。该论文指出“通用性是理论概念，实际中是神话”，生物学和市场竞争同样通过选择机制淘汰无法在特定领域达到性能门槛的实体。
Google 发布 TabFM，一个面向表格数据分类和回归任务的基础模型。该模型将表格预测重新定义为上下文学习问题，通过混合注意力架构（交替行列注意力、行列压缩）在数百万人工合成数据集上训练，实现了真正的零样本预测——无需针对新数据集进行模型训练、超参数调优或特征工程。
推荐理由：读者可通过本文了解 Google 如何将大语言模型的零样本能力迁移到结构化表格数据，理解其架构创新和实际可用性。
Every Eval Ever (EEE) 和 Hugging Face Community Evals 实现了互操作，允许跨平台发布和解读评估结果。EEE 于 2026 年 2 月推出，旨在统一评估结果的报告格式，使用单一 JSON schema 记录评估的完整元数据。
DiScoFormer（Density and Score Transformer）是一个能在单次前向传播中同时估计数据分布密度和分数的Transformer模型，无需针对不同分布重新训练。
Mistral 发布 Mistral 3 系列模型，包括三个小型密集模型（14B、8B、3B）和 Mistral Large 3。Mistral Large 3 采用稀疏混合专家架构，拥有 41B 活跃参数和 675B 总参数，在 LMArena 排行榜开源非推理模型中排名第二。
推荐理由：原文给出了新模型的能力变化、性能数据和合作信息，读者可以据此判断这个模型在开源生态中的位置以及对自己场景的适用性。
Replicate 宣布其推理服务现已集成到 Hugging Face Hub，用户在 Hugging Face 上选择支持的 LoRA 并将 Replicate 设为推理提供商时。
Mistral 发布 Mistral Small 3，一款面向低延迟推理的 24B 参数模型，采用 Apache 2.0 协议开源，权重和指令调优版本同步开放下载。
推荐理由：Mistral 以 Apache 2.0 开源 24B 模型并对标更大模型，可作为本地部署与开源替代方案的参考。
Replicate 博客介绍三种使用合成训练数据改进 Flux 微调模型的技术：使用 consistent-character 模型从单张图片生成多样训练数据；将微调模型的优质输出回收作为新训练数据；结合多个社区 LoRA 风格模型来多样化训练集。所有方法均可通过 Replicate API 自动化执行。
summary__z: AI工程师Andy Ayrey基于自身聊天数据创建人格克隆，获得Marc Andreessen的1比特币投资并为其bot业务发薪。Fal.ai发布6.8B参数的AuraFlow开源文生图模型，声称可比肩闭源替代品。Google DeepMind新研究JEST方法将数据选择效率提升13倍。