推薦理由：文章交代兩款模型的定位，以及較小視覺編碼器和 tokenization 調整等設計取捨，呈現小型 VLM 如何兼顧效率與多模態能力。

推薦理由：文章公開兩款模型的訓練配方與資料集，並以 NanoBEIR 結果呈現靜態嵌入模型在 CPU 速度與檢索品質間的取捨。

推薦理由：文中列出 Codestral 25.01 與舊版及其他模型的程式基準，並交代速度變化和部署入口，便於對照補全表現與採用方式。

推薦理由：文章將 ModernBERT 的架構、效率與訓練改動連結至長上下文檢索及程式碼檢索場景，呈現編碼器更新對實際應用的意義。

推薦理由：文中對照 Bamba-9B 與 Meta Llama 3.1 8B 的 vLLM 推理數據，並列出數學及 MMLU 評測差距，兼顧效率與基準表現。

推薦理由：公告將 o1、Realtime API 改進與新微調方法一併面向開發者呈現，可用來把握 OpenAI 此次更新涵蓋的模型與開發工具範圍。

推薦理由：Sora 的可用入口及生成規格清晰列出，涵蓋影片時長、解像度、畫幅選擇，以及文字生成和自備素材改編等方式。

推薦理由：PaliGemma 2 將前代單一 3B 規格擴展至 3B、10B、28B，並提供三種輸入解析度，呈現下游微調時在品質與效率間選擇的彈性。

推薦理由：文中將 SmolVLM 與其他模型的多項基準、GPU 記憶體及吞吐量並列，提供評估小型視覺語言模型效能與資源取捨的依據。

推薦理由：Pixtral Large 在 MathVista 得分 69.4%，並於 ChartQA、DocVQA 超越 GPT-4o 和 Gemini-1.5 Pro；這些結果提供數學視覺推理、圖表與文件理解的具體比較參照。

推薦理由：文章拆解多語言訓練中的模型池數據仲裁、離線與線上偏好訓練及模型合併流程，呈現改善多語言表現的具體技術路徑。

推薦理由：文章把 Diffusers 中的量化推理與 LoRA 微調落到具體步驟，並提供在 24GB VRAM 消費級 GPU 上微調 SD3.5 Large 的參考路徑。

推薦理由：文章以多個評測類別對照 Ministral 3B、8B 與 Gemma 2、Llama 3.2、Llama 3.1、Mistral 7B 等模型，涵蓋預訓練及 Instruct 版本，便於參照各模型表現。

推薦理由：Llama 3.2 涵蓋 11B、90B 視覺模型與 1B、3B 裝置端純文字模型，並列出 Transformers、llama.cpp 等運行示例，可作為選擇部署路徑的參考。

推薦理由：免費層涵蓋開發者的實驗、評估與原型製作，價格表亦列出模型新舊費率及降幅，呈現試用門檻和 API 成本的變化。

推薦理由：Mistral AI 以相同評測流程比較 Pixtral 12B 與多個開源及閉源模型，並列出 MMMU 52.5% 等基準結果，便於理解其多模態表現。

推薦理由：文章並列 Falcon Mamba 的基準表現與長序列生成結果，也説明 sequential prefill 對可處理提示長度的影響。

推薦理由：這次更新同時涵蓋小型模型部署、安全內容分類與模型內部分析，讀者可據此比較 Gemma 系列在推理、安全防護及可解釋性研究中的用途。

推薦理由：Mistral Large 2 披露參數規模、上下文窗口與多項基準表現，並交代研究授權和商用自部署條件，方便比較其能力及部署門檻。

推薦理由：文章將 8B、70B、405B 的部署定位、128K tokens 上下文及記憶體需求一併列出，可比較不同規模模型的使用取捨。

推薦理由：文章將 Mistral NeMo 與 Mistral 7B 的替換相容性、FP8 推理支援及 Tekken 多語壓縮數據放在一起，呈現模型部署適配與語言處理效率的比較脈絡。

推薦理由：Codestral Mamba 以 Mamba 架構切入程式助手場景，並列出線性時間推理特點及至 256k tokens 的上下文檢索測試，呈現其技術定位。

推薦理由：文章梳理 SmolLM 的資料集整理流程、訓練配置與各參數級別的基準結果，並列出三種模型規模及本地運行選項，便於比較小型模型的訓練和部署取捨。

推薦理由：文章並列 Gemma 2 9B 與 Mistral 7B、Llama 3 8B 等模型在 MMLU、GSM8K 等基準的成績，提供小型開放模型效能比較的具體參照。

推薦理由：文章比較 offloading、移除 T5 與 8-bit T5 的顯存和耗時，並提供 torch.compile 加速與 LoRA 微調腳本，可作為 SD3 推理部署與微調的實作參考，並呈現節省顯存方案的耗時取捨。

推薦理由：文章列明 Codestral 的研究與測試授權、商業授權申請方式，以及專用 endpoint 的免費 beta 和候補名單，呈現不同使用入口的條件。

推薦理由：文章整理 PT、Mix、FT 檢查點的用途，並指出高解像度會增加記憶體需求、多數任務的質素提升有限，有助按任務需要選擇模型。

推薦理由：公告把 GPT-4o 定位為新旗艦模型，並明確列出音訊、視覺和文字的即時推理能力，讓讀者掌握此次宣佈的多模態重點。

推薦理由：這次更新同時涵蓋 GPT-4o 的推出與 ChatGPT 免費可用能力的擴展，呈現新模型推出和免費使用安排兩方面的變化。

推薦理由：文章梳理了從 The Stack V1 種子函數生成指令，再以執行測試篩選回答的自對齊流程，説明程式碼模型如何利用自身生成數據進行微調。

推薦理由：文章梳理了 Llama 3 的型號、授權要求，以及 Hugging Face 上的推理部署和微調入口，呈現從模型取得到實際使用的主要路徑。

推薦理由：Mixtral 8x22B 公開了參數規模、授權條款與多項基準結果，讓讀者可比較其開放使用條件及數學、編碼表現。

推薦理由：Idefics2 同時公開 8B 權重、Apache-2.0 授權與多項視覺問答基準成績，便於對照小型多模態模型的效能表現和使用條件。

推薦理由：這則公告同時交代亞洲首個辦事處與日語優化 GPT-4 自訂模型，呈現 OpenAI Japan 的實體佈局及語言適配兩個具體面向。