把模型跑起来的工程实践：推理优化、显存与成本、Serving 架构与基础设施选型。
AWS 官方博客演示如何在 Amazon Bedrock AgentCore Runtime Instances 上部署三智能体音乐制作流水线：作曲智能体用 Claude Sonnet 4.6 生成音乐简报并在实例自带的 NVIDIA L4 上运行开源音乐生成模型 ACE-Step，20 秒 48kHz 立体声渲染约 9 秒。
推荐理由：文章给出三智能体共享 GPU 实例视频/音频流水线的完整代码与踩坑点，可迁移到其他长时任务编排。
OpenAI 在 DevDay 2026 主题演讲中发布 Dots 个人智能体、GPT-6.1 Sol 模型、Ultrafast 高速推理以及新的 Agents API。
推荐理由：作者以在场者身份记录 DevDay 全程发布，读者可据此一次性掌握 OpenAI 在智能体、模型与开发者平台上的产品版图。
xAI 的 Grok 4.7 已在 Amazon Bedrock 上线，支持 500K token 上下文窗口和 low、medium、high、xhigh 四档可配置推理强度，通过 bedrock-runtime 的跨区域推理配置提供，并支持 Responses、Chat Completions 和 Converse API。
推荐理由：文章给出 Grok 4.7 在 Bedrock 上的接入方式与四档推理强度成本权衡，可供工程选型参考。
NVIDIA 在 MLPerf Inference v6.1 首次提交 Vera Rubin NVL72 预览成绩，在 Qwen3-VL 上吞吐最高达 GB300 NVL72 的 3.7 倍，在 DeepSeek-R1 上最高为 2.5 倍。
推荐理由：NVIDIA 官方首次公布 Vera Rubin NVL72 的 MLPerf 推理成绩，并给出跨机架扩展与软件迭代的量化对比，可供判断推理经济学走向。
Hugging Face 发布 Workflow1111，用 Gradio Workflow 把 AUTOMATIC1111 stable-diffusion-webui 的大部分功能重建为单张工作流画布。
推荐理由：用 73 个节点复刻 A1111 的十一类图像与视频管线，可直观看到节点式工作流的组织方式与复用边界。
GitHub Copilot 在 CLI 中通过 /experimental 开放 Project HydraFusion 研究预览，用户在 /model 中选择后由运行时编排多模型完成任务。
推荐理由：GitHub Copilot 官方给出多模型编排研究预览的三种执行模式与三个基准的成本质量数据，可据此判断路由策略的取舍。
IBM Granite 团队发布 Granite 4.2 系列推理模型，包含 3B、8B、30B 三种稠密尺寸，均以 Apache 2.0 许可开源，并从 Granite-4.1 基座模型后训练而来。
推荐理由：原文给出了从预训练到多阶段强化学习的完整构建细节，读者可以据此理解推理模型的训练配方与工程取舍。
Multiverse Computing 提出 Quantization-Aware Healing（QAH），把 GPT-OSS 120B 压缩到 60B 参数并量化为 MXFP4 后，直接在原始预压缩模型上做 KL 蒸馏而非从恢复出的 checkpoint 蒸馏，结果在 9 项基准中的 7 项超过该 60B 模型的 bfloat16 版本。
推荐理由：论文给出压缩加量化后再蒸馏原始模型的做法，读者可比较其与常规 QAT 在精度和训练稳定性上的差异。
Hugging Face 在 Gradio 中推出 gr.Workflow，把 AI 管线描述为带类型节点的图，Gradio 直接提供可拖拽画布，每个节点可运行、中间结果可见。
推荐理由：官方给出 gr.Workflow 的节点模型与多个可运行示例，读者可据此判断管线能否直接落成 API 与 Space。
Mistral AI 发布 Agentic Search，一个让模型在多步检索循环中查找、查阅并核验信息的检索层，通过 Mistral Search Toolkit 和 Studio、Vibe 中的 Libraries 提供。
推荐理由：官方给出两套基准上的准确率、token 与 p90 延迟变化，可对照现有一站式 RAG 判断升级收益。
Google DeepMind 发布手语转文本模型 SL2T，以超过 10 万小时、50 多种手语的数据训练，实现手语到文本的机器翻译。该模型首先在 Pixel 11 的 Gboard 与 Live Transcribe 中上线，支持美国手语（ASL）转英文，可用来搜索、写消息或向 Gemini 提问，更多设备和语言将后续支持。
推荐理由：官方披露 SL2T 的训练规模、手语到文本的翻译路径与隐私处理方式，可了解手语 AI 首次落地消费产品的工程取舍。
Mistral 宣布三项推进主权 AI 的动作：Mistral Regional Endpoints 正式可用，客户可选择推理在欧洲还是美国运行；Mistral Priority Tier 进入公开预览，提供自定义速率限制和带 SLA 的可用性承诺。
推荐理由：Mistral 把推理区域选择、SLA 保障与第三方开源模型接入放进同一平台，可看作欧洲主权 AI 基础设施的具体落地路径。
Meta 发布开源多模态模型 Muse Glimmer，从 Muse 蒸馏至 30B 参数，采用 Apache 2.0 许可，面向编码、文档分析、个人助理等本地智能体场景。
推荐理由：Meta 开源 30B 多模态模型，附 day-0 推理与量化支持，可用于评估本地智能体模型的落地方案。
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。
Hugging Face 在 Diffusers 中引入 Nunchaku Lite，可直接用 from_pretrained() 加载 Nunchaku 风格的 SVDQuant 量化检查点，无需自定义 pipeline 或本地 CUDA 编译。
推荐理由：原文给出 Nunchaku Lite 在 Diffusers 中的原生加载方式和显存与延迟对比，读者可据此判断是否替换现有量化后端。
Google DeepMind 发布 Gemini 3.6 Flash、3.5 Flash-Lite 两款新模型，并推出面向网络安全的 Gemini 3.5 Flash Cyber。
推荐理由：官方给出三款新模型的价格、token 效率与多项基准对比，可据此判断智能体工作流的成本变化。
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。
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。
Hugging Face 与 Cerebras 联合演示了一条实时语音到语音流水线，采用开源可替换的级联架构。语音识别用 Nvidia 的 Parakeet，语言模型用 Google DeepMind 的 Gemma 4 31B 在 Cerebras 上推理，文本转语音用 Alibaba 的 Qwen3TTS。
推荐理由：Hugging Face 与 Cerebras 联合演示开源语音到语音流水线，读者可了解各层组件如何组合与何处替换。
Mistral AI 宣布 Connectors 多项新能力：管理员可按 workspace 或组织设置连接器访问、逐工具开关，带连接器作用域的 API key 和服务账号防止自动化任务冒用身份，多账号连接器支持一个连接器绑定多个账号，Connectors Debugger 处于公开预览，可对 MCP 连接做 11 步根因分析。
推荐理由：从权限管理、密钥作用域到连接调试，这组功能给出了企业级智能体接入外部数据的治理路径。