Mistral AI

少样本示例数量与选择：自然语言推理的上下文学习研究

希腊伯罗奔尼撒大学等机构的研究者对 Llama、Mistral、Gemma 和 Phi 4 等 decoder-only 大模型在 MNLI、QNLI、SciTail 三个自然语言推理数据集上进行了零样本与少样本提示的系统评测。结果显示，简单直接的提示即可让模型表现优异，挑战了复杂提示技术不可或缺的观点；单样本提示中示例标签的选择显著影响性能，以蕴含类示例效

DavidAU 发布 Mistral Nemo 12B 无审查推理微调版

Hugging Face 用户 DavidAU 发布了基于 Mistral-Nemo-Instruct-2407 的微调模型，先用 abliteration 去审查（拒答率从 87/100 降至 14/100），再用 Claude 4.5 Opus、Gemini 3 Pro、GPT-5.2 三个高推理数据集通过 Unsloth 微调，使其具备思考/推理能力并

Semantic Kernel Python 1.47.0 发布

微软 Semantic Kernel 发布 Python 1.47.0 版本，要求 Python 3.11 及以上，正式移除对 Python 3.10 的支持，CI 覆盖扩展至 3.14。该版本集中修复了 OpenAPI 路径匹配、Google AI 嵌入批量请求、Mistral AI 兼容性、MCP 初始化与可选参数、Redis 向量搜索、SQL Serv

谁能否决智能体？LLM评审制度中的证据门控权限

研究将多智能体系统中的评审机制视为制度管辖权问题：在提案、任务信息、模型和评审输出都相同的条件下，评审者何时有权让自己的建议成为最终决定。作者比较了两种制度：一种是广泛覆盖权，另一种是证据门控，即评审者必须给出机制上有效的约束违反记录和合规修复，才能替换原提案。在两种本地运行的开源权重模型、96个空间政策任务和96任务组合迁移基准上，证据门控大幅减少对正确提

纽约时报等媒体起诉 Brave 涉嫌抓取内容并分发给 AI 公司

《纽约时报》等多家媒体起诉隐私浏览器公司 Brave，指控其抓取受版权保护的内容并分发给 Anthropic、Perplexity、Mistral、xAI、Cohere 等 AI 公司。诉讼称 Brave 用未披露的爬虫建立超 300 亿网页索引，使出版商无法屏蔽，还通过绕过付费墙、屏蔽出版商广告并销售自家广告获利。原告寻求禁令和赔偿，Brave 未回应。

另有 1 家信源报道

llama.cpp b11998：支持 Mistral Le Chonk 模型

llama.cpp 发布 b11998 版本，主要变更是为 Mistral 的 Le Chonk 模型扩展 DSA 与 sdpark 支持，并修复了 CI 问题。该版本同时提供覆盖 macOS、iOS、Linux、Android、Windows 及 openEuler 的多平台预编译二进制包，涵盖 CUDA、Vulkan、ROCm、SYCL、OpenVINO

Vercel AI SDK 为多提供商流式响应新增 interrupted 状态

Vercel AI SDK 发布 @ai-sdk/xai@5.0.28 补丁版本，当流在没有收到提供商完成信号就干净结束时，现在会报告 interrupted 状态，保留部分输出而不因中断单独报错。该变更覆盖 OpenAI、Anthropic、Google、Alibaba、Amazon Bedrock、Cohere、DeepSeek、Groq、Mistral

Agno 发布 v3.1.9：新增 MCP 工具运行端点并修复多项问题

Agno 发布 v3.1.9，新增 MCP Tool Runner，可通过 HTTP 直接运行 AgentOS Server Card 上列出的工具，无需 MCP 客户端即可测试工具。该版本还修复了 AgentOS MCP Server 的 CORS 跨域访问、Postgres 指标刷新、Function Workflows、AgenticChunking、

欧洲工业领袖借助 NVIDIA 技术重塑工程与制造

NVIDIA 在 GTC Berlin 上宣布，欧洲多家工业企业在工程与制造全生命周期中采用 NVIDIA CUDA-X、Omniverse 库以及 Cosmos、Nemotron 开放模型。NVIDIA 还推出工厂运营蓝图 FOX 的早期访问版本，用于构建工厂管理智能体。西门子、梅赛德斯-奔驰、Cadence、Autodesk、imec、英飞凌等企业分别在

Ministral-3-3B 发布 LiteRT-LM 端侧 int4 量化版

Hugging Face 上发布了 litert-community/Ministral-3-3B-Instruct-2512 的 LiteRT-LM 量化版本，将 Mistral 的 Ministral-3-3B-Instruct 模型转换为 Google LiteRT 端侧运行时格式（blockwise int4 量化，约 2.3GB），并移除了 Pix

llm-mistral 发布 0.16 版本

Simon Willison 发布 llm-mistral 0.16 版本。该插件用于在 LLM 命令行工具中调用 Mistral 模型。正文仅包含发布日期和近期文章列表，未提供更多细节。

PydanticAI v2.54.0 发布：兼容性调整与新功能

PydanticAI 发布 v2.54.0，包含多项兼容性调整、新功能和错误修复。兼容性方面处理了 JSON Schema draft-7 列表形式 items、FallbackModel 下的 ImageGeneration、持久执行引擎绑定限制等。新功能包括 clai2 主题化文件差异、/update 自动安装最新构建、OpenAILiveModel 会

OMP-MoE：基于正交匹配追踪的 MoE 大模型高效专家剪枝

该论文提出 OMP-MoE，一种无需训练的 MoE 大模型专家剪枝框架，将专家剪枝重构为稀疏信号重建问题，用正交匹配追踪（OMP）贪心选择专家，把搜索复杂度从指数级降到线性。方法还引入注水策略进行跨层专家预算分配，并提出自适应推理机制 OMP-MoE†。在 Qwen、DeepSeek-V2、GPT-OSS、Mixtral 上，25-50% 剪枝率下性能一致优

聊天模板切换LLM自我指涉口吻，激活引导可复现

该研究通过对比8个开源指令模型（Llama、Gemma、Mistral、Qwen，1B-9B）在有无聊天模板下的输出，发现聊天模板如同一个开关：存在时模型更倾向使用免责声明式口吻（如“我只是一个AI”），移除后免责声明率从0.53降至0.36，体验式口吻（如“我感觉”）从0.01升至0.15。在3个模型中，研究者定位到一个可操控的激活方向，添加该方向可提升免

GitLab Duo 自托管版接入 Microsoft Foundry 模型

GitLab 扩展了 GitLab Duo Self-Hosted，支持通过 Microsoft Foundry 部署的模型，覆盖 OpenAI GPT、Anthropic Claude、Meta Llama 和 Mistral 等模型家族。企业可在自有 Azure 环境中运行 GitLab 的 AI 开发能力，自主控制模型提供商、部署位置和数据路径，满足数

Luck-Spark V-300-MoE：小型Mixtral风格MoE研究预览

开发者 Dr. Zeon 在 Hugging Face 发布 Luck-Spark V-300-MoE，一个从零预训练的小型 Mixtral 风格 MoE 语言模型，总参数约 2.95 亿，含 4 个专家、top-2 路由、1024 上下文。模型在 Kaggle 双 T4 上训练，目标语料 50 亿 token，当前权重处于训练早期，可生成短文本但可能重复或

Strands Agents SDK Python v1.56.0 发布

Strands Agents SDK 发布 Python 版 v1.56.0，新增 Anthropic 服务端工具（如网页搜索）的非覆盖式接入、BM25 搜索策略、TypeScript 版 web fetch 工具，以及双向（bidi）音频转录渲染与生命周期钩子等能力。同时修复了结构化输出重试、Mistral 图像块保留、Bedrock Mantle 模型路

Strands Agents SDK Python v1.55.0 发布

Strands Agents SDK 发布了 Python 版本 v1.55.0，包含多项新功能、修复和重构。新功能包括导出上下文管理器类型、为 Ollama、Writer 和 SageMaker 等模型提供缓存配置、MCP 服务器前缀和错误继续选项、以及新的本地代理和任务引擎。修复了文件编辑器、会话管理和 MCP 兼容性问题。文档更新包括模型路由指南和 A

编码代理的harness工程：11个系统的源码解剖与演进

该论文对11个生产级编码代理的源码进行了系统解剖，定义了harness工程学科，并识别出7个子系统和29种设计模式。研究发现，所有系统均未使用通用代理框架或向量检索，而SKILL.md技能采用率超过MCP。论文指出，到2026年上半年，编码harness已从工具转变为平台，并提出了18条设计建议。

新 imatrix 数据集发布：量化校准实验与发现

Hugging Face 博客作者发布了新的 imatrix 校准数据集，并详细介绍了与 LTT Labs 团队合作进行的实验，测试不同数据集对量化模型性能的影响。实验发现，在低比特量化（如 Q2 K）下，imatrix 数据集的选择对 MoE 模型性能影响显著，但对高比特量化影响不大。作者公开了数据集和渲染脚本，并计划继续迭代。