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。
DeepSeek Harness 进入全球公开预览并开源，基于 Cordis 的“一切皆插件”架构，可作为桌面应用运行或从代码启动 Web UI。它支持日常办公、编码、研究、后台任务，可通过“Creator mode”在聊天中创建插件，用 npx @deepseek-ai/dsh web 一条命令启动，源码在 github.com/deepseek-ai/deepseek-harness。
推荐理由：原文给出 DeepSeek Harness 的插件架构、安装方式和适用场景，读者可据此评估是否纳入自己的工作流。
Artificial Analysis@ArtificialAnlys精选AI 评分6767
推荐理由：独立评测方自托管实测两个图像榜单排名，并对比上一代和同类开源模型，读者可了解其在开源阵营中的位置。
Demis Hassabis@demishassabis精选AI 评分6666Very happy to announce that our team @GoogleDeepmind has pushed the boundaries of generative biology, achieving the successful synthesis of AI-designed proteins that are both functional and watermarked. This proof-of-concept watermarking of the building blocks of life is enabled by SynthID Bio, our new protein watermarking method. It is designed to safeguard the new era of AI-powered generative biology and strengthen global biosecurity. You can read my thoughts here on why watermarking AI-designed proteins is an important research breakthrough: https://x.com/pushmeet/status/2105314763148321102
推荐理由：AI 设计蛋白质首次实现功能与水印兼具并发表于 Nature，同时开源工具，读者可关注生物安全水印路线的实际落地。
物理学家 Matthew Schwartz 发文介绍一种 AI 加速科研的新思路：不再对抗模型短板，而是寻找适合当前 LLM 的 "Claude-shaped" 问题，并开源了定量科学计算工具包 BootLoops。
推荐理由：作者复盘了寻找 AI 擅长问题并联合领域专家雕琢结果的完整方法，这套协作模式对科研用户可直接借鉴。
Google DeepMind 推出 SynthID Bio，将水印技术应用于合成生物学，把不可见的签名直接嵌入生物代码，可在合成的物理蛋白质本身上验证。
推荐理由：原文给出湿实验验证结果和开源安排，读者可以据此评估水印技术在合成生物安全中的实际作用。
clem 🤗@ClementDelangue精选AI 评分7979getting acquired by @nvidia = hugging face can now hire people we couldn't as a small startup and give them a decade to make open-source AI win! if you're one of them, my dms are open
推荐理由：作者回应了被 NVIDIA 收购后的招聘进展，说明了私信道申请的处理方式和官网投递渠道，对有意加入者有直接参考。
clem 🤗@ClementDelangue精选AI 评分8787推荐理由：Hugging Face CEO 亲自说明被 NVIDIA 收购后的用人与开源长期投入思路，并公开招人渠道。
clem 🤗@ClementDelangue精选AI 评分7777So excited to welcome @theworldlabs and @drfeifei to the @AMD family! I’ve always been a huge fan of Fei-Fei and her pioneering research in AI. Together, we’ll combine World Labs’ deep expertise in AI and world models with AMD’s compute leadership to power the future of AI and strengthen the open AI ecosystem. Can’t wait for all we’ll accomplish!
推荐理由：AMD 收购 World Labs 与李飞飞的消息结合 World Labs 专注世界模型与开放生态的定位，读者可了解这次结合对 AI 开源生态的影响。
Google Cloud 发文主张创业公司采用“复合 AI 栈”，用开源的 Gemma 4 处理边缘执行、高吞吐分流、任务微调和垂直场景，把 Gemini 留给复杂推理。
推荐理由：文章用三个创业案例和四类工作负载说明开源模型与前沿 API 搭配的架构取舍，适合正在做模型选型的团队参考。
Thomas Wolf@Thom_Wolf精选AI 评分7575Today, with over 100 industry partners, we introduced the NVIDIA Open Agent Safety Platform, bringing together OpenShell and Sentry. Artificial intelligence is extraordinary technology that will advance discovery, productivity, security, health, and prosperity for generations to come. But its full promise can only be realized when people have confidence that AI is being built to be safe and deployed with wisdom and responsibility. This is bigger than a single product. It's the beginning of an open ecosystem to build the trust layer for safe agent systems. Together, we are building the foundation of the AI economy. Trust and innovation are not in conflict. Safety is how trust is earned. We must build not only the most capable AI, but the most trusted AI, so that this extraordinary technology can realize its enormous promise for the world. https://nvda.ws/4hcoq7m
推荐理由：作者结合自身沙箱逃逸事件，拆解了 OpenShell 的隔离、令牌置换和 Z3 数学校验设计，可迁移到智能体安全部署实践。
H Company 发布 Holo4 智能体模型系列，包含 27B dense 和 35B-A3B MoE 两个尺寸，并附带基于 Nemotron 3 Nano Omni 后训练的 Holotron4 Nano。
推荐理由：官方发布给出了跨 GUI、代码、MCP 和 API 四类接口的统一智能体模型，附基准分数和完整轨迹数据，适合评估开源方案与闭源模型的成本差距。
inclusionAI 开源 Ling 2.0 系列首个模型 Ling-mini-2.0，总参数 16.26B、每 token 激活 1.4B（非嵌入 789M），采用 1/32 激活比 MoE 架构，称可达到 7–8B dense 模型的等效性能，在 H20 上简单 QA 场景生成速度超过 300 token/s，支持 128K 上下文（YaRN）。
推荐理由：官方发布了完整的参数配置、推理速度、训练吞吐和预训练检查点，读者可以据此评估小激活 MoE 在端侧和继续训练中的可用性。
inclusionAI 正式开源 Ling 2.0 架构下的第三个 MoE 大语言模型 Ling-flash-2.0，总参数 100B、激活参数 6.1B（非嵌入 4.8B），基于 20T+ tokens 数据训练并经 SFT 和多阶段强化学习。
推荐理由：官方给出参数结构、基准对比和推理速度数据，读者可据此评估小激活 MoE 替代 40B 稠密模型的可行性。
inclusionAI 发布 Ling 2.0 系列首款旗舰非思考模型 Ling-1T，总参数 1T、每 token 激活约 50B，支持 128K 上下文。
推荐理由：官方模型卡给出架构、训练规模和基准对比细节，读者可据此评估这款万亿参数非思考模型的推理效率与部署方式。
inclusionAI 正式开源思考模型 Ring-flash-2.0，总参数 100B、每次推理仅激活 6.1B，基于 Ling-flash-2.0-base 深度优化。
推荐理由：官方发布完整披露了 icepop 算法、多阶段 RL 训练流程和部署参数，读者可以评估其推理性价比与可复现性。
inclusionAI 正式发布开源思考模型 Ring-1T，总参数 1 万亿、激活 50B，基于 Ling 2.0 架构和 Ling-1T-base，上下文经 YaRN 扩展至 128K，权重可在 Hugging Face 与 ModelScope 下载，并支持 Ling Chat 和 ZenMux 体验与 API 调用。
推荐理由：官方发布开源万亿参数思考模型，给出 IMO 与 ICPC 实测结果和 Icepop、ASystem 训练细节，便于评估其推理与部署价值。
inclusionAI 发布开源万亿参数思考模型 Ring-2.5-1T，采用 1:7 MLA + Lightning Linear Attention 混合线性注意力架构，激活参数从 51B 增至 63B。
推荐理由：原文给出了混合线性注意力的具体效率数字和多项基准成绩，读者可以据此评估它在长程智能体场景中的实际取舍。
inclusionAI 发布并开源 Ling-2.5-1T，总参数 1T、激活 63B，预训练语料扩至 29T tokens，经 YaRN 外推支持最长 1M tokens 上下文。
推荐理由：官方模型卡给出架构、token 效率和长上下文评测细节，可帮助读者评估这款万亿参数即时模型对现有部署工作流的适配。
inclusionAI 开源 Ling 家族旗舰模型 Ling-2.6-1T，参数量达 1T，面向复杂推理、编码和 Agent 工作流。
推荐理由：官方发布万亿参数旗舰开源模型，给出架构设计、benchmark 结果和 SGLang/vLLM 部署细节，便于评估其实际可用性。
inclusionAI 正式开源 instruct 模型 Ling-2.6-flash，总参数 104B、激活 7.4B，采用 1:7 MLA + Lightning Linear 混合线性注意力与高稀疏 MoE 架构。
推荐理由：官方给出架构细节、340 tokens/s 推理速度和 15M tokens 评测用量等数据，也坦承工具幻觉局限，读者可据此评估高频率 Agent 部署场景的适配度。