Mistral AI 发布 Shieldstral，一个 3B 开源权重多模态安全分类器，以 Apache 2.0 许可发布，可在单张 16GB NVIDIA GPU 上运行。该模型把内容审核转化为策略自适应问答任务，推理时直接接受自然语言策略，无需重新训练即可统一文本与图像安全评估，官方称其在文本安全和多模态审核基准上匹配或超过至多 7 倍规模的开放护栏模型，并给出可阈值化的连续安全评分。
推荐理由：3B 分类器以推理时自然语言策略替代固定危害分类，读者可据此判断轻量护栏模型的部署方式变化。
微软研究院开源 Orchard，一个面向可扩展智能体 AI 研究的框架，核心是可在软件工程、网页导航和智能助手等任务间复用的 Orchard Env 环境服务，并支持直接在 Codex、OpenClaw、ZeroClaw 等真实部署 harness 中训练智能体。
推荐理由：微软研究院开源 Orchard 环境服务与三套训练配方，读者可了解小参数模型在真实 harness 内训练后能达到的智能体水平。
多伦多大学、Vector Institute、剑桥大学与 ServiceNow 的研究者构建了一个原型 AI 蠕虫，它利用被攻陷机器的 GPU 运行开放权重 LLM 维持推理，并据此发现漏洞、定制攻击并自我复制。
Berkeley Sky Lab 将进化式 kernel 搜索框架 K-Search 扩展到 MLX 后端，通过结构化 CUDA-to-MLX 翻译层，把已有 CUDA kernel 当作知识库适配为 Apple Silicon 上的高质量 kernel。
Hugging Face 发布开源系统 Grabette，用手持夹爪在几分钟内录制操作任务，并自动转换为可训练的 LeRobot 数据集。Grabette 配备广角鱼眼相机与 RGBD 相机，硬件 BOM 成本约 490€，配套的机器人夹爪 Gripette 成本约 120€，硬件、采集软件、处理流程均已开源。
推荐理由：原文给出了一套低成本采集操作数据的完整开源方案，读者可以据此了解机器人学习数据瓶颈的另一种解法。
Hugging Face 发布 Real World VoiceEQ 基准，用于评估语音交互的人类品质，覆盖 40 多个领先闭源与开源语音模型、15+ 个评估维度和 60+ 项指标，涵盖 ASR、TTS、S2S 与语音理解。
Thinking Machines 在 Hugging Face 发布 Inkling 及 Inkling-Small 两款开源多模态大模型。
推荐理由：原文列出了 Inkling 与 Inkling-Small 的架构参数、部署显存门槛和多引擎支持，读者可据此判断自部署可行性。
Hugging Face 宣布 vLLM 的 transformers 建模后端现在在许多 LLM 架构上达到或超过 vLLM 手写实现的速度。该后端通过 torch.fx 做静态图分析并借助 ast 在运行时重写算子、融合为 vLLM 优化内核，模型作者只需加 --model-impl transformers 一个参数即可用上极速 vLLM 推理。
推荐理由：原文给出了让 transformers 模型免改代码即可达到 vLLM 原生推理速度的机制与实测对比，读者可据此判断自建部署的迁移成本。
微软在 Build 2026 上发布 Foundry Managed Compute 与 Hugging Face 模型集合，把 Hugging Face 生态的开源权重模型纳入 Foundry Model Catalog，每周刷新，可一键部署到托管 GPU 平台。
Hugging Face 与 SkyPilot 联合发布集成，用户可用一个 hf:// URL 将 Hugging Face Bucket 或模型、数据集、Space 仓库挂载进 SkyPilot 任务，并在 20 多个云、Kubernetes 和本地集群上运行。
推荐理由：原文给出 hf:// 挂载方式与免费出网机制，读者可据此判断跨云训练工作流的存储成本变化。
Fable 在 KernelBench-Mega 上写出被认为首个真正的 megakernel，用 CUDA 在 RTX PRO 6000 Blackwell 上相对优化 PyTorch 基线取得 18.71X 加速，超过 Claude Opus 4.8 的 14.4X、GLM-5.2 的 11.14X 和 GPT 5.5 的 4.34X。
Mistral 发布 Leanstral 1.5，一个 Apache-2.0 许可、总参数 119B、激活 6B 的形式化验证模型，miniF2F 达到 100%，PutnamBench 解出 587/672 题，FATE-H 87%、FATE-X 34%。
推荐理由：官方给出多基准成绩、训练流程和每解题成本，读者可对照其开源权重与免费 API 判断形式化验证的实用门槛。
Every Eval Ever（EEE）与 Hugging Face Community Evals 实现互通，评测结果可以跨平台发布并互相解读。EEE 的标准化 JSON 记录可与 Community Evals 的 YAML 结果对接，提交后分数会显示在模型页和基准榜单上，并带有指向完整 EEE 记录的来源徽章。
NVIDIA 研究者发布 ENPIRE，一套让真实机器人通过自动重置、策略改进、并行评估和进化四个模块自主迭代的智能体框架，在 PushT、整理销钉、剪断扎带等任务上达到 99% 成功率。
Mistral 在 AI Now Summit 2026 上发布面向工业工程的 AI 栈，与 Airbus、BMW、ASML 合作优化设计、仿真与生产，同时保证对专有数据和 IP 的控制。
推荐理由：Mistral 一次性公布工业工程 AI 栈、统一智能体 Vibe 与自建 10 MW 推理数据中心，可据此观察其企业级全栈布局。
Mistral AI 发布公开预览版 Search Toolkit，这是一个用于构建 AI 应用生产级检索管线的可组合框架，开源且支持云端、本地和边缘部署，将摄取、检索与评测统一到共享接口下。
Mistral 已收购 Emmi AI，并将其工作纳入自身，专注为航空航天、汽车、半导体和能源等行业构建基础 Physics AI。双方此前发布的成果包括 AB-UPT——可在单张 GPU 上处理 900 万表面单元与 1.4 亿体积单元的原始几何、无需重新划分网格，以及首个端到端深度学习代理模型 NeuralDEM。
Mistral AI 宣布已就收购 Physics AI 公司 Emmi AI 达成最终协议，以强化其面向工业企业的 AI 转型能力。Emmi AI 成立于奥地利，专注 Physics AI 并开发大型工程模型，可实现实时仿真、替代多日计算并构建数字孪生；其 30 多名研究人员与工程师将在 5 月加入 Mistral 的 Science 与 Applied AI 团队。
推荐理由：Mistral 收购 Physics AI 公司 Emmi，说明其正把物理建模能力与工程工具接入纳入工业 AI 路线。
Mistral 发布 Mistral Medium 3.5，这是一个 128B 密集架构模型，在 SWE-Bench Verified 上得分 77.6%，以修改版 MIT 许可证开放权重，API 定价为每百万输入 token 1.5 美元、每百万输出 token 7.5 美元。
推荐理由：Mistral Medium 3.5 以 128B 密集架构开源并成为 Vibe 与 Le Chat 默认模型，读者可据此判断云端异步编码智能体的可用性。
Google DeepMind 发布 Gemini for Science，在 Google Labs 上线三个实验性原型：基于 Co-Scientist 的 Hypothesis Generation。
Google Research 称其开源工具与开放数据集已支持全球逾 25 万名研究人员和开发者。其基因组学工具 DeepVariant、DeepConsensus、DeepPolisher 助力社区处理了 250 万人的外显子组与全基因组，医学基础模型 MedGemma 下载量超 480 万次。
Berkeley AI Research 提出梯度规划器 GRASP，通过将轨迹提升到虚拟状态、在状态迭代上直接加入随机性、重塑梯度三招，让基于世界模型的长时程规划更稳健。GRASP 把轨迹提升到虚拟状态，使优化可跨时间并行，同时避免经由高维视觉模型的脆弱状态输入梯度。该工作与 Mike Rabbat、Aditi Krishnapriyan、Yann LeCun、Amir Bar 合作完成。
Mistral AI 发布 Mistral Small 4，这是 Mistral Small 系列的下一个主要版本，也是首个把 Magistral 推理、Pixtral 多模态与 Devstral 编码智能体能力统一到单一模型的 Mistral 模型，采用 Apache 2.0 许可。
推荐理由：Mistral 首次把推理、多模态与编码智能体能力合并进一个开源模型，并给出可调推理强度与延迟数据。
Mistral AI 宣布作为创始成员加入 NVIDIA Nemotron Coalition，并与 NVIDIA 共同开发前沿开源模型，将 Mistral AI 的模型架构与全栈平台同 NVIDIA 的算力、模型开发工具及合成数据生成管线结合。
Mistral 发布 Leanstral，一个面向 Lean 4 的开源代码智能体，以 Apache 2.0 许可开放权重，并集成进 Mistral Vibe 与免费 API。
Mistral 基于其开源编码助手 Vibe 构建了一个自主智能体，能读取 Rails 源码文件、生成或改进 RSpec 测试并在 CI/CD 流水线中无需人工干预地运行，多个实例可并行处理不同文件。通过引入 AGENTS.md 和分类 SKILLS 文件，其质量分数从 0.68 提升至 0.74。
Mistral 发布 Voxtral Transcribe 2，包含面向批处理的 Voxtral Mini Transcribe V2 和面向实时场景的 Voxtral Realtime 两款语音转写模型。
推荐理由：Mistral 一次放出批处理与实时两款语音转写模型，并给出延迟、错误率与单价对比，可据此判断实时语音应用的落地成本。
Mistral AI 发文复盘其在 vLLM 中排查一处内存泄漏的过程：在生产级流量下，系统内存以每分钟 400 MB 线性增长，数小时后触发 out of memory，且只在 Prefill/Decode 分离部署、Mistral Medium 3.1 与图编译启用时复现。
Mistral AI 发布 Devstral 2 编码模型家族，包括 123B 的 Devstral 2 和 24B 的 Devstral Small 2，两者分别采用修改版 MIT 和 Apache 2.0 许可，均为开源。
推荐理由：官方给出了 Devstral 2 的 SWE-bench Verified 成绩、参数规模与定价，可据此判断开源编码模型的性价比位置。
Mistral 发布 Mistral 3 系列，包含 3B、8B、14B 三个 Ministral 3 密集模型，以及总参数 675B、激活 41B 的稀疏 MoE 模型 Mistral Large 3，全部以 Apache 2.0 许可开源。
推荐理由：Mistral 3 一次性放出从 3B 到 675B 的全系开源模型，读者可据此判断小模型与 MoE 大模型的分工。
Mistral AI 宣布与 SAP 建立多年合作，将模型集成进 SAP 的 AI Foundation，共同为德国和欧洲打造完全主权的 AI 技术栈，并联合开发面向复杂行业与政府机构的行业解决方案。Mistral AI 同时携手 Helsing 加速面向真实场景防御与安全应用的视觉-语言-动作模型研发。为推进在德布局，Mistral AI 正大幅扩充本地团队，并将在未来数月内开设德国办公室。
Mistral AI 发布 Voxtral 语音理解模型，提供 24B 和 3B 两个版本，均以 Apache 2.0 许可开源并上线 API。模型支持 32k token 上下文，可处理最长 30 分钟转录或 40 分钟理解，并具备音频问答、摘要、多语言识别与语音触发函数调用能力，其语言模型骨干继承自 Mistral Small 3.1。
推荐理由：Mistral 开源语音理解模型，给出两款尺寸、32k 上下文与转录基准对比，可据此判断开源语音方案的落地成本。
Mistral AI 与 All Hands AI 合作发布 Devstral Medium，并升级开源版 Devstral Small 1.1。
推荐理由：Devstral 新版本给出了 SWE-Bench Verified 分数、开源许可与 API 定价，读者可据此比较开源代码智能体的性能与成本。
Mistral AI 推出 AI for Citizens 协作计划，帮助各国政府和公共机构自主掌握 AI 战略，覆盖法国、卢森堡、新加坡、荷兰、英国、瑞士等。该计划提供开源模型、自托管与本地 AI 数据中心部署选项、数据主权保障及定制化研发，以避免对少数闭源厂商的"一刀切"依赖。
Mistral AI 发布 Mistral Compute，向客户提供私有、一体的 AI 基础设施栈，涵盖 GPU、编排、API、产品与服务，形态从裸金属服务器到全托管 PaaS。
推荐理由：Mistral 把自建训练平台对外开放为私有 AI 基础设施，读者可据此了解欧洲主权算力的落地形态。
Mistral AI 发布首个推理模型 Magistral，分为 24B 参数的开源版 Magistral Small 和更强的企业版 Magistral Medium。
推荐理由：Mistral 首个推理模型同时给出开源权重与企业版，并公开 AIME2024 成绩和训练细节，便于比较其与现有推理模型的定位。
Mistral AI 与 All Hands AI 合作发布面向软件工程任务的智能体模型 Devstral，以 Apache 2.0 许可开源。
推荐理由：官方给出 SWE-Bench Verified 46.8% 的横向对比与单卡本地部署门槛，便于判断开源编码智能体的可用边界。