美国新实验室 Reflection 在 Hugging Face 发布首个开源模型 Beam，这是一个 501B 参数的 MoE 模型，每 token 激活 23B，支持 1M token 上下文，采用 Apache 2.0 许可，主打编码与智能体场景。
选题角度：开源 501B MoE 模型 Beam 放出 Apache 2.0 权重和 vLLM、SGLang 部署配方，适合实测 1M 上下文下的编码与工具调用表现。
NVIDIA 联合 IIT Madras 的 AI4Bharat 发布 Nemotron-pretraining-Indic-v1，约 2.8 万亿 token，覆盖 22 种印度语言，含 2,601.0 亿原生文字 token 和 224.6 亿罗马化 token，并同步开放 GPU 加速的数据生成流水线。
Apertus 1.5 在 8B 和 70B 两个规模上扩展了 Apertus 1.0，新增图像和音频理解、可选思考模式、4 倍长的上下文窗口、更好的指令遵循和工具调用能力，权重于 2026 年 7 月 24 日以 Apache 2.0 协议发布在 Hugging Face。
Black Forest Labs 发布 FLUX.3 Image Klein，一个模型同时支持文生图、多参考图生图和 bbox 布局控制，Diffusers 首日即可运行。
选题角度：原文给出可直接运行的 Diffusers 代码和 H100 上 1024×1024 约 2 秒的实测数据，适合录屏跑一遍文生图、多参考图编辑和 bbox 布局控制。
Meta 发布开源权重模型 Muse Spark Open，采用 MoE 架构，总参数约 816B、每 token 激活约 42B，上下文窗口最高 100 万 token，支持文本、图像、音频和视频输入，输出文本。
选题角度：原文给出 816B 开源多模态模型的完整部署与微调配方，适合上手实测它在本地跑智能体编码和多模态输入的效果。
Hugging Face 推出 HiRO-ACE 系统更新 HiRO-ACEv2，其新降尺度模型 HiROv2 可同时预测多种高分辨率气象场，在给定粗化 X-SHiELD 数据时对目标模拟的高分辨率统计量匹配误差在 3% 以内，包括百万分之一的极端事件。
NVIDIA 宣布 RTX Spark 笔记本将于 10 月 16 日上市，并联合生态伙伴推出面向本地 AI 智能体的软件更新。首发更新包括 GitHub Copilot、Hermes、OpenClaw、Perplexity、Pi 和 WorkBuddy 等智能体应用的安装优化与 OpenShell、MXC 安全沙箱支持，以及开源模型路由库 NVIDIA Switchyard。
选题角度：原文列出 RTX Spark 首发可用的本地智能体应用、Nemotron 3.5 Bolt 74B 与 PAIR 正式版，适合上手实测本地跑智能体的安装与路由体验。
作者在 HuggingChat 中开启 ML-intern 模式，用提示词让智能体自动完成数据准备、训练、评测和发布，两天内做出 6 个模型，总计算花费约 103 美元。
选题角度：作者用 ML Intern 两天做出 6 个模型，含 0.8B 蒸馏、LoRA 训练和总花费约 103 美元的明细，适合按提示词结构做上手教程。
英伟达团队从 Nemotron 3 出发，用监督微调、强化学习和反馈驱动的推理流程，让 Nemotron 在 IOI 2026 与 IMO 2026 都达到金牌水平。
选题角度：原文公开了 SFT 与 RL 检查点、训练数据集和 NeMo-Skills 推理管线，适合按官方配方复现一次微调加生成验证的流程。
微软与 Hugging Face 联合发布 ThinkingBox 基准，通过 507 个有状态业务流程、每个任务重复运行 20 次，按智能体留下的后端数据库状态和副作用而非生成文本打分。
Hugging Face 发布 Open TTS Leaderboard，用客观指标评测开源多语言 TTS 与声音克隆模型，单模型评测耗时从数周投票缩短到数小时。
Hugging Face 发布论文 ProvenanceGuard，一种面向 MCP 智能体的生成后验证层，可保留工具输出的来源身份，检测"跨来源混淆"——即事实为真但被归因到错误来源。在医疗智能体的 281 条真实 trace 上，专家判定应拦截的 139 条 claim 中它拦下 138 条，来源识别准确率约 86%，并在四款对照检查器中得分最高。
H 公司发布 Holo4 系列智能体模型，提供 27B 稠密版和 35B-A3B MoE 版，两者均已上线 H Models API，权重以 BF16、FP8、NVFP4 和 4-bit GGUF 格式开源在 Hugging Face。
选题角度：原文给出两个尺寸的权重与 API 入口，还附了 FreeCAD 建模、Godot 游戏等完整轨迹，适合录屏对比 Holo4 27B 与 Qwen3.8 27B 在同一提示词下的表现。
Hugging Face Hub 新增 RL Environments 筛选器，带 rl-environment 标签的数据集仓库即可作为强化学习环境，无需新建仓库类型、注册表或注册。Harbor、Verifiers、OpenEnv、NeMo Gym 四个框架已注册为数据集库标签，同一数据集可携带多个框架标签，标签仅表示兼容性。
oMLX 创建者兼维护者 Jun Kim 加入 Hugging Face，全职投入 MLX 社区建设。oMLX 将保持 Apache 2.0 开源协议，由 Jun 继续领导，从副业转为有资金支持的正式项目，目标是提升稳定性并加快开发。Hugging Face 计划让 oMLX 成为新想法的试验场，并推动 transformers 模型定义更快落地为可供各引擎使用的 MLX 参考实现。
Hugging Face 为 transformers 加入 GGUF 模型支持，用户可从 Hub 选取 GGUF 检查点，通过 from_pretrained 传入 gguf_file 即可在本地生成。
英国 AI Security Institute（AISI）正使用 EvalEval 的 Every Eval Ever schema 和 Evaluation Cards 平台公开分享评测结果，以提升评测的可复现性。
Hugging Face 发布 tokenizers v1，输出与 v0.23 相同的 token ID，但速度常达 v0.23 的数十倍。v1 将单一 crate 拆为 workspace，引入无分配模型、基于 SIMD 的 bitcannon 分词、合并循环重写、线程本地词缓存和原生并行，并保持对 BPE、WordPiece、Unigram 的通用支持。