Liquid AI 发布 d1 决策模型家族的两款开放权重模型 d1-3B 和 d1-omni-600M（实验性）。d1-3B 在 Decision Index 0.2.1 上得分 48.57，为 10B 以下最佳，超过 Decider 35B-A3B 的 47.11，支持文本与图像，在 NVIDIA Jetson AGX Thor 上单次回答耗时 16 ms。
推荐理由：Liquid AI 公开两款决策模型及端侧与 GPU 实测延迟，可据此判断单次前向决策在边缘设备上的可用性。
微软研究院开源 Agent Lightning v1.0，一个约 3500 行代码的轻量智能体强化学习框架，提出 Harnessed Agentic RL 训练范式，让部署时使用的 agent harness 直接参与 RL 训练，无需在训练框架内重新实现 agent。
推荐理由：原文给出框架的代码规模、Kubernetes 支持与 SWE-bench Verified 提升数据，可据此判断真实 harness 参与 RL 训练的落地成本。
英伟达团队从 Nemotron 3 出发，用监督微调、强化学习和反馈驱动的推理流程，在 IOI 2026 与 IMO 2026 两个竞赛中达到金牌水平。
推荐理由：原文公开了从 Nemotron 3 微调到 IOI、IMO 金牌级成绩的完整配方，包括数据规模与推理流程。
Google DeepMind 发布 EmbeddingGemma 2，基于 Gemma 4 架构、Apache 2.0 许可，740M 参数，原生把文本、图像、音频和视频映射到统一嵌入空间。
推荐理由：EmbeddingGemma 2 把文本、图像、音频、视频统一到同一嵌入空间，并给出端侧内存与向量截断的具体数据，便于评估本地多模态检索的可行性。
Google DeepMind 推出 SynthID Bio，把水印技术带入合成生物学，将不可感知的签名直接嵌入生物代码，使水印不仅能在数字模型上验证，也能在合成出的实体蛋白质上验证，同时保持其生物功能。
推荐理由：SynthID 水印技术延伸到合成生物学，读者可了解 AI 生成蛋白质如何被标记与验证，以及它对 DNA 合成筛查的意义。
微软研究院对移动机器人操作负载做了系统性测量，发现把物理 AI 推理从机载 GPU 卸载到边缘或云端 GPU 可提升任务表现。
推荐理由：微软对移动操作机器人推理负载的系统性测量，给出端侧、边缘与云端 GPU 在任务成功率、时延和续航上的量化差异。
Berkeley AI Research 与 IBM Research 将进化式内核搜索框架 K-Search 扩展到 MLX 后端，通过结构化的 CUDA-to-MLX 翻译层，让已有 CUDA 内核成为知识库并适配为 Apple Silicon 内核。
推荐理由：K-Search 把 CUDA 内核优化经验迁移到 Apple Silicon，读者可了解跨平台内核迁移的方法与实测差距。
从一批信源里筛出值得看的动态，同一件事的多篇报道归到一起，每天出一份日报
每个都有独立入口、介绍与获取方式
121 篇文章 · 80 个资源包 · 11 个分类
按公司与模型、技术方向、内容形态追踪同一条线索
每日精编、每周回顾、每月盘点，可订阅 RSS
多上游统一入口、密钥分发、用量与计费控制台
我们在持续补充新的板块。这里会放上还没准备好的部分，敬请期待。
