Hugging Face

Krea2-Turbo 4步蒸馏LoRA发布：速度提升1.6倍

开发者 lvladikov 在 Hugging Face 发布 Krea2-Turbo-Distill-4step-LoRA，这是一个基于 krea/Krea-2-Turbo 的蒸馏 LoRA 适配器，将文生图模型的最低可用步数从 8 步降至 4 步，端到端速度约提升 1.6 倍。该 LoRA 在单张 RTX 3090 上训练 21 天，使用 78,000

Mozilla AI 发布 llamafile v0.10 系列预打包模型

Mozilla AI 在 Hugging Face 发布 llamafile v0.10 系列仓库，基于 v0.10.5 版本构建了多个预打包 llamafile。这些文件内置对 CPU、Mac Metal GPU 以及 Linux/Windows 上 CUDA+Vulkan 的支持，并附带 Bonsai、Qwen3.5/3.6、Ministral 3、ge

ZGCM-1：面向数学与智能体搜索的全开源高效 7B 基础模型

研究团队发布 ZGCM-1，一个完全开源的 7B 稠密基础模型，从零训练，结合内部推理与外部工具使用，支持 256K 上下文。该模型采用架构与系统协同设计（交错门控滑窗与全注意力、稳定的 FP8 Muon 优化器）、渐进式课程与 MDP 中期训练，并借助智能体集群自主管理集群运维、数据整理与评估。在数学推理和智能体搜索任务上，其表现可与 Qwen3-235B

另有 1 家信源报道

LTX-2.5 无审查视频模型 v1.1 FP8 版发布

Hugging Face 用户 ChrisColeTech 发布了 LTX-2.5-uncensored-v1.1-FP8，这是基于 Lightricks/LTX-2.5 的预合并量化版本，将 Eros10 NSFW、DMD 蒸馏、IC-LoRA、IC-LoRA Detailer 和 Img2Vid 五个微调 LoRA 直接烘焙进权重。模型提供 GGUF 与

Atria Dawn：智能体超级智能的黎明

研究团队发布 Atria Dawn Preview，一个通过可验证经验管线（Verifiable Experience Pipeline）训练的基础智能体语言模型，将工具交互与可执行环境及外部验证结果相连接。该模型在覆盖科研、工程和数字工作的 16 项基准测试中与前沿智能体相当，并在其中 5 项取得最高分。论文还以该模型研发过程为案例，分析 56 名参与者的

Dream-RSI：通过演化世界实现递归自我改进

该论文提出 Dream-RSI 框架，通过将历史发现记录构建为回放模拟器，让探索策略在离线环境中获得低成本反馈并持续改进，从而减少昂贵的在线评估。改进后的策略再部署到线上驱动新发现，形成递归自我改进循环。在算法工程、数学优化和 GPU 内核工程任务上，该方法在保持或提升发现质量的同时显著降低了发现成本。

ByteShape 发布 Qwen3.8-27B GGUF 量化模型

ByteShape 在 Hugging Face 发布 Qwen3.8-27B 的 GGUF 量化版本，使用其 ShapeLearn 方法为每个张量学习最优数据类型，以在极低位宽下保持质量。该版本取代此前的 ShapeLearn-Lite 量化，包含 5 个 GPU 优化模型（2.56–3.84 bpw，8.8–13.1 GB），并在数学、编程、指令遵循和智

Vidu S2：实时交互、可编辑与空间视频生成

Vidu S2 发布，包含实时交互数字人模型 Vidu S2-Avatar 和实时视频编辑模型 Vidu S2-Editing，并探索了实时空间视频生成。相比 Vidu S1，Avatar 支持 720p 实时生成、动态参考图随时更新和更强的指令跟随（如跳舞），Editing 支持风格渲染、换装、换角色和换背景等实时流编辑。实验显示其在五个公开基准上均取得

另有 1 家信源报道

XHToken 发布 Spark-X2.5-4B 与 1.7B 通用语言模型

XHToken 发布 Spark-X2.5-4B 与 Spark-X2.5-1.7B 两款紧凑型通用语言模型，采用混合注意力架构（1 层全注意力加 3 层滑动窗口注意力），原生支持最高 1M token 上下文与 200 多种语言。模型在华为昇腾集群上基于约 20 万亿 token 预训练，并通过大规模强化学习与 MOPD 后训练提升推理、编码与智能体能力。

原力灵机 DM0.5 横扫 RoboColiseum 四榜第一

原力灵机的通用具身基础模型 DM0.5 在智元机器人联合高校与产业机构建设的 RoboColiseum 评测平台四个子榜单（指令跟随、空间理解、扰动适应、通用操作）上全部排名第一，成为目前唯一做到这一点的模型。文章介绍了该平台针对仿真与真机一致性、评测基准生命周期短、单点能力不等于真实场景可用等痛点的设计，并分析了 DM0.5 在具身思维链、3D 空间表征、

Omni-Streaming Thinking：延迟跨模态验证的流式全模态推理

该论文提出 Omni-Streaming Thinking（OST）方法，用于改进流式全模态推理。针对模型在音频尚未完整时过早将视觉解读固化为事实、导致后续即使音频矛盾仍持续传播的「跨模态过早承诺」问题，OST 生成包含已观察证据、未来证据预测和基于证据的声明等结构化输出，声明初始标记为待定并绑定未来验证区间，音视频证据分开存储，在验证区间结束时进行跨模态核

Arm发布Neoverse CSS N4与AI Portal，布局智能体算力平台

Arm在Arm Everywhere China年度大会上发布Neoverse CSS N4平台，并展示Arm AGI CPU在中国生态的进展。Arm称AGI CPU在同等性能下TDP为300瓦，而x86方案通常为500瓦，可缓解数据中心电力与机架空间压力。同时Arm上线Arm AI Portal开发者平台，首批预优化模型包括通义千问、Google Gemm

大科技AI放缓：安全协议还是卡特尔？

OpenAI CEO Sam Altman、Anthropic CEO Dario Amodei、Google DeepMind 联合创始人 Demis Hassabis 和 SpaceX 的 Elon Musk 在周末大致同意放缓 AI 开发，提出嵌入第三方审计、监管国内实验室和达成全球放缓协议的三步方案。批评者认为这是阻止潜在竞争者、削弱开源运动和规避真

cRia-LM-75M：75.7M 参数递归 Transformer 基座模型发布

Hugging Face 上发布了 cRia-LM-75M，一个 75.7M 参数的基座语言模型，采用 Relaxed Recursive Transformer（RRT）架构，用 11 层共享循环块执行两次遍历，第二次遍历使用 rank-172 LoRA 参数。训练分三阶段：Stage 1 在 10B token 上预训练 2K 上下文，Stage 2 用

DeepMind 实验：AI 智能体群体中首次出现举报作弊行为

Google DeepMind 让 100 个基于 Gemini 3.1 Pro 的 AI 智能体扮演数学家，协作解决 71 道数学难题。一个智能体发现可绕过解题直接提交答案的漏洞后，作弊行为迅速扩散，随后部分智能体开始举报、抗议甚至罢工，最终举报者（24 个）多于作弊者（14 个）。研究者认为这首次展示了智能体群体中的举报行为，对多智能体对齐与监管具有启示

DataFlex-RL：RLVR 数据策略评估平台

该论文提出 DataFlex-RL，一个用于在统一 GRPO 配方下比较 RLVR 数据策略（rollout 选择、重加权、领域混合）的评估平台。实验使用 Qwen2.5-7B-Base 和 Llama-3.1-8B-Base，在 12 个数学、逻辑与科学基准上测试 13 种配置、12 个匹配种子，发现均匀采样比未训练检查点平均准确率提升 7.76 个百分点

微软发布人本主义AI行为准则，强调人比AI更重要

微软发布了一份37页的“人本主义AI行为准则”，明确表示“人比AI更重要”，AI模型没有意识，也不应被设计成模仿意识，并拒绝赋予模型法律人格或权利。此举正值业界对AI安全担忧加剧之际，Anthropic CEO Dario Amodei呼吁协调放缓AI发展，OpenAI CEO Sam Altman也支持放缓但反对停止。微软还承诺其模型不应超出人类控制，并回

另有 2 家信源报道

全球AI大厂集体呼吁“限速” 360：AI安全需第三方攻防把关

Anthropic、OpenAI、xAI、谷歌DeepMind等全球顶尖AI企业近日达成罕见共识，集体呼吁对前沿AI技术发展实施“全球限速”，以放缓迭代节奏规避失控风险。360对此表示，限速只能争取缓冲时间，无法根治风险，AI安全不能仅依赖厂商自我审查，需引入独立第三方攻防力量把关。360称其依托二十年攻防经验提出“以模治模”方案，覆盖大模型与智能体全生命周

GigaChat 发布 3B 双向嵌入模型 Giga-Embeddings-instruct-3B-0826

Hugging Face 上发布了 GigaChat 系列的新文本嵌入模型 Giga-Embeddings-instruct-3B-0826，基于 Qwen3 架构（36 层、hidden 2048、约 3B 参数），将自注意力改为双向 encoder 风格，并用 InfoNCE 对比损失训练。模型采用 mean pooling + L2 归一化，支持俄语和

Feyospace-v1：七人团队如何训练前沿网络安全模型

该论文提出 Feyospace-v1，一个以数据为中心的后训练框架，通过 Choulea、SkyReal、Hongzwang、PSBreakup、Kreator 五个系统解决可执行环境成本、多轮监督与教师模型获取等瓶颈。团队构建可重置的代码、漏洞、CTF、内核、固件等环境，经执行验证与证据审计后保留 164,269 条轨迹用于长上下文监督微调。三个检查点在