作者用 ML-intern 两天做出六个模型，总花费约 103 美元
作者在 HuggingChat 中开启 ML-intern，用提示词描述需求，两天内做出六个模型并发布到 Hugging Face Hub，总计算花费约 103 美元。
推荐理由：作者用 ML-intern 在两天内做出六个模型，并公开全部提示词与成本明细，可迁移到自己的训练流程。
#Hugging Face
Hugging Face Blog精选AI 评分7575 Hugging Face Blog精选AI 评分6262 Liquid AI 发布 d1-3B 与 d1-omni-600M 端侧决策模型
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。
Hugging Face Blog精选AI 评分6666 Nemotron 微调后在 IOI 2026 与 IMO 2026 均达金牌水平
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。
Hugging Face Blog精选AI 评分7171 微软与 Hugging Face 发布 ThinkingBox：按数据库终态给 AI 智能体打分
微软 Copilot Studio 团队与 Hugging Face 联合发布 ThinkingBox，通过隔离的 MCP 工具会话运行智能体，再根据其留下的后端终态和副作用打分，而非依据模型生成的文字。
推荐理由：微软与 Hugging Face 联合发布的智能体评测基准，用数据库终态而非模型自述来判定任务成败，并给出 507 个任务重复 20 次的稳定性数据。
Hugging Face BlogAI 评分3636 Hugging Face 推出 Open TTS Leaderboard：面向多语言 TTS 与声音克隆的可扩展评测
Hugging Face 发布 Open TTS Leaderboard，用客观指标评测开源多语言 TTS 与声音克隆模型，单模型评测从数周投票缩短到数小时。
Microsoft ResearchAI 评分4242 微软推出 GigaPath-Flash 与 GigaTIME-Flash 高效病理基础模型
微软研究院发布 GigaPath-Flash 和 GigaTIME-Flash，将病理基础模型的计算需求大幅降低。GigaPath-Flash 采用 22M 参数的 ViT-S tile 编码器和 21M 参数的 LongNet slide 编码器，在 PANDA 和 EBRAINS 基准上以约 50 倍更少算力达到原版 GigaPath 3% 以内的性能。