Mistral AI 推出 Devstral Medium，並將 Devstral Small 升級至 1.1，兩者聚焦對不同提示詞及智能體框架的泛化能力。Devstral Small 1.1 採 Apache 2.0 授權，參數量為 24B，在 SWE-Bench Verified 得分 53.6%；Devstral Medium 得分 61.6%。
推薦理由：Devstral Small 1.1 採 Apache 2.0 授權並可本地部署，Devstral Medium 支援 API 和私有基礎設施部署；對照 SWE-Bench Verified 分數，可比較兩者的模型表現、開放方式與部署選項，並據此判斷不同工作環境的適配差異。
Pollen Robotics 與 Hugging Face 推出 Reachy Mini，一款面向人機互動、創意編程與 AI 實驗的開源桌面機械人，售價由 $399 起。
推薦理由：Reachy Mini Lite 與 Compute 版分別售 $399 和 $499，連線及供電配置不同，規格表可供對照入門成本與功能取捨。
Hugging Face 發佈 3B 模型 SmolLM3，使用 11.2T tokens 訓練，支援 think / no_think 雙模式推理及最高 128k 上下文。
推薦理由：SmolLM3 公開分階段訓練、長上下文適配與雙模式推理配方，並交代數據配比和模型合併流程，呈現 3B 模型的工程實作路徑。
Gemma 3n 已接入多個主流開源工具庫，並推出 E2B、E4B 兩種尺寸的 base 與 instruct 版本。支援工具包括 Transformers、timm、MLX、llama.cpp、Transformers.js 和 Ollama；兩款模型實際參數量為 5B 和 8B，GPU 記憶體佔用約相當於 2B 和 4B 模型。
推薦理由：文章並列模型的實際參數量、GPU 記憶體需求和多個工具庫的接入方式，方便衡量 Gemma 3n 本地多模態部署時的硬件門檻與工具選擇。
Featherless AI 現已成為 Hugging Face Hub 支援的 Inference Provider，接入模型頁面及 Python、JS SDK 的無伺服器推理服務。
Mistral AI 發佈首款推理模型 Magistral，包含 24B 參數的開放權重版 Magistral Small 及企業版 Magistral Medium。
推薦理由：AIME2024 成績呈現兩版差異，Magistral Medium 和 Small 分別得 73.6% 和 70.7%，majority voting @64 時為 90% 和 83.3%。
H Company 發佈 Holo1 開源 VLM 系列及 WebClick UI 定位基準，後者收錄 1,639 項 UI 任務。Holo1 系列包括 Holo1-3B 和 Holo1-7B，後者在常見 UI 定位基準的平均準確率為 76.2%。Surfer-H 採用 Holo1 開放權重模型；H Company 稱，該智能體在真實網頁任務上的準確率為 92.2%，每項任務成本為 $0.13。
Hugging Face 發佈 SmolVLA，一款 450M 開源 Vision-Language-Action（VLA）機械人模型，以 LeRobot 社羣數據預訓練，可在消費級硬件上運行。
推薦理由：文中比較社羣數據預訓練前後的成功率，以及同步與非同步推理的完成時間和吞吐量，呈現數據與推理架構各自帶來的變化。
Falcon-LLM Team 發佈 Falcon-H1 開放權重混合架構模型系列，涵蓋六種規模、由 0.5B 至 34B，並提供 base 與 instruction-tuned 版本。
推薦理由：文中對照 Qwen2.5-32B 的短、長上下文吞吐，並説明混合 Attention-SSM 設計，呈現 Falcon-H1 隨序列長度變化的效率取捨。
Microsoft 與 Hugging Face 擴大合作，Azure AI Foundry 現提供 10,000+ 個 Hugging Face 模型供部署，涵蓋文字、音訊和圖像等任務。
Hugging Face 表示，Transformers 將朝跨框架模型定義標準化發展，目標是讓其支援的模型架構更易被其他生態工具採用。目前 Transformers 支援 300+ 種模型架構，平均每週新增約 3 種；團隊計劃簡化建模程式碼和 API，並加強模組化模型定義。
推薦理由：文章交代 Transformers 希望成為跨框架模型定義的共同基礎，並列出簡化模型貢獻流程、提升訓練與推理工具互通的具體方向。
Hugging Face 收購 Pollen Robotics，並開始銷售其開源人形機械人 Reachy 2。Reachy 2 可透過 sales@pollen-robotics.com 電郵訂購，價格為 $70,000，適用於研究、教育和具身 AI 實驗，並兼容 VR。
推薦理由：這宗收購把 Hugging Face 的 LeRobot 開源機械人項目與 Pollen Robotics 的硬件團隊納入同一組織，呈現其軟硬件佈局。
Language Technologies Lab 發佈 Visual Salamandra，將 7B 參數的 Salamandra 模型擴展至圖像與影片理解。
Hugging Face 將 Intel Gaudi 硬件支援原生整合至 Text Generation Inference（TGI）主線程式碼，令大語言模型推理服務可直接部署於 Gaudi。整合支援 Gaudi1、Gaudi2、Gaudi3、多卡推理、視覺語言模型及 FP8 量化，並提供版本為 3.2.1-gaudi 的官方 Docker 映像。
DeepSeek-V3 0324 已登上 Hugging Face Hub，沿用原版架構並採用 MIT 授權，重點改善指令遵循、編碼和數學能力。DeepSeek 團隊列出的 MMLU-Pro、GPQA、AIME 和 LiveCodeBench 分數，分別由 75.9、59.1、39.6、39.2 升至 81.2、68.4、59.4、49.2。
推薦理由：文中提供 MMLU-Pro、GPQA、AIME 和 LiveCodeBench 的更新前後分數，讓讀者可按多項基準逐一比較 DeepSeek-V3 0324 相對原版的提升幅度。
NVIDIA 在 GTC 2025 發佈 Cosmos Transfer、Physical AI Dataset 和 NVIDIA Isaac GR00T N1 三項 Physical AI 開源資源。
推薦理由：三項資源分別涵蓋可控合成場景、機械人訓練數據與人形機械人推理及技能，呈現 Physical AI 開發中生成、訓練和執行能力的不同分工。
Mistral AI 發佈 Mistral Small 3.1，改進文本表現與多模態理解，並將上下文窗口擴展至最高 128k tokens。官方稱模型推理速度為 150 tokens per second，表現超越 Gemma 3、GPT-4o Mini 等可比模型，並以 Apache 2.0 授權釋出。
推薦理由：文中將 Mistral Small 3.1 的文本、多模態、長上下文與多語言表現放入同級比較，並列出本地運行條件及下載、API 等使用入口。
Cohere For AI 發佈 Aya Vision 8B 和 32B，這組開放權重視覺語言模型支援 23 種語言。Aya Vision 32B 在 mWildVision 的 23 種語言平均比較中，對參數量超過其 2 倍的模型取得 52% 至 72% 勝率。團隊亦公開 AyaVisionBench，涵蓋 23 種語言、9 類任務，每種語言有 135 組圖像與問題配對，供研究使用。
推薦理由：文章拆解合成標註、多語言資料擴充與多模態模型合併等訓練做法，呈現 Aya Vision 的多語言視覺語言建模路徑。
Mistral AI 發佈 Mistral Small 3，這款 24B 參數低延遲模型採用 Apache 2.0 授權，並提供預訓練及 instruction-tuned checkpoint。
推薦理由：Mistral Small 3 將 24B 參數、Apache 2.0 開放權重和低延遲定位放在同一發佈中，並提供本地量化運行條件，便於比較小型模型的部署選擇。
Hugging Face Diffusers 團隊梳理多款開源影片生成模型的能力與限制，並介紹 Diffusers 對影片生成、推理優化及微調的支援。
推薦理由：文章整理多款開源影片模型的資源需求，並以 HunyuanVideo 不同優化設定的數據，呈現量化、卸載和 VAE tiling 對顯存與推理時間的實際取捨。
Hugging Face 為 Text Generation Inference（TGI）引入多後端架構，讓 TGI 作為統一前端接入不同推理引擎，並按模型、硬件及效能需求切換後端。團隊正與 NVIDIA TensorRT-LLM 團隊合作，並計劃於 Q1 '25 將 vLLM 整合為 TGI 後端。TGI Backends 將很快可於 Inference Endpoints 使用。
Hugging Face 從倫理角度分析 AI 智能體，指出自主性愈高、人類交出的控制愈多，相關風險也隨之增加，並建議不要開發完全自主的智能體。文章認為，半自主智能體的效益與風險取決於自主程度、可執行任務及人類控制方式，並梳理準確性、私隱、安全和信任等面向的取捨。作者建議建立嚴謹評估、追蹤社會影響並加強透明披露，也認為開源有助擴大參與和問責。
IBM、Princeton、CMU 和 UIUC 合作訓練並推出 Bamba-9B 混合 Mamba2 模型，使用完全開放數據。該模型以 2.2T tokens 訓練；在 vLLM 測試中，相較 Meta Llama 3.1 8B，吞吐量最高提升 2.5 倍，延遲改善 2 倍。
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。
Technology Innovation Institute（TII）發佈 Falcon3 開放模型系列，推出 Falcon3-1B-Base、Falcon3-3B-Base、Falcon3-7B-Base、Falcon3-10B-Base 及 Falcon3-Mamba-7B-Base 五款基礎模型。
Hugging Face 與 Entalpic 宣佈啟動開源協作計劃 LeMaterial，並發布首個數據集 LeMat-Bulk，整合 Materials Project、Alexandria 和 OQMD，含 6.7M 條目及 7 項材料屬性，採用 CC-BY-4.0 授權。
Hugging Face 的 83 款開源模型現可透過 Amazon Bedrock Marketplace 部署，模型端點由 Amazon SageMaker JumpStart 管理，並支援 Amazon Bedrock API。
推薦理由：材料交代 Hugging Face 的 83 款開源模型如何在 Bedrock Marketplace 部署，以及 SageMaker JumpStart 管理端點、Bedrock API 負責調用的服務銜接方式。
Data is Better Together 社羣發佈採 Apache 2.0 授權的文生圖偏好數據集 open-image-preferences-v1，涵蓋多種生成類別、模型系列及提示詞複雜度。
Hugging Face Blog 發佈 EU AI Act 開源開發者指南，梳理法規對 AI 系統及 GPAI 模型的適用範圍與分級義務。指南聚焦有限風險 AI 系統和非系統性風險開源 GPAI 模型，涵蓋披露 AI 互動、以機器可讀格式標記合成內容、提供訓練內容摘要及尊重版權 opt-out 等要求。
推薦理由：文章區分有限風險 AI 系統與非系統性風險開源 GPAI 模型，梳理透明標示、訓練內容摘要及版權 opt-out 等合規要求。
Hugging Face 發佈 SmolVLM 2B 視覺語言模型系列，提供 Base、Synthetic 和 Instruct 三個版本。模型檢查點、VLM 資料集、訓練配方及工具均採 Apache 2.0 授權開放；模型亦已整合至 transformers。
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。
Cohere For AI 發佈 Aya Expanse 8B 和 32B 開放權重模型，並公開多語言訓練流程的技術細節。
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。
dottxt 與 Hugging Face 合作推出 outlines-core，將 Outlines 的結構化生成核心算法移植至 Rust。項目現已公開並整合至 outlines，Python 綁定版本 0.1.0 已推出，索引編譯速度平均提升 2x。輕量化核心讓其他程式庫更易整合結構化生成，亦可建立 Python 以外語言的綁定。
Hugging Face 發佈 Transformers.js v3，新增 WebGPU 支援和量化格式選擇，支援架構總數增至 120 種。官方稱 WebGPU 最高可比 WASM 快 100 倍；此版本另提供 25 個示例專案與範本，以及超過 1200 個已轉換模型。
推薦理由：這次更新把 WebGPU、量化格式選擇及 120 種架構納入同一 JavaScript 庫，並兼容 Node.js、Deno、Bun，展示其瀏覽器與伺服器端部署路徑。
NERL 是致力推進具身基礎模型與大型資料集的開源社羣，目標是建立持續增長的資料、模型及基準測試生態。項目整合網絡、模擬及真實機械人資料，並提供涵蓋資料處理、模型訓練與評估的端到端工具套件及排行榜。NERL 正準備 Robo-VLM，這款具身多模態語言模型可接收圖像、影片、3D 場景及關鍵點，輸出文字回答與策略規劃。
Mistral AI 公佈多項更新，包括 Mistral Small v24.09、la Plateforme 免費層、模型降價及 le Chat 免費提供 Pixtral 12B 圖像理解。
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。
Hugging Face Blog 的 ggml 入門指南介紹這個以 Transformer 推理為重點的 C/C++ 機器學習函式庫，並示範其基本用法。文章解釋 ggml_context、ggml_cgraph、ggml_backend 等概念，透過矩陣乘法展示張量建立、計算圖執行和 backend 記憶體配置流程。
阿布扎比的 Technology Innovation Institute（TII）發佈 Falcon Mamba 7B，這是一款採用純 Mamba 架構、以 TII Falcon Mamba 7B License 1.0 開放存取的模型。
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。
Hugging Face 宣佈收購 XetHub，並計劃以其技術替換 Hub 現有的 Git LFS 儲存後端。文中舉例，10GB Parquet 檔案新增一行時只需重傳少數區塊；未來修改 GGUF header 的單一 metadata 值，也只需重傳數 KB 的區塊。
推薦理由：XetHub 的分塊與去重技術將用於 Hub 儲存後端，文中的 Parquet 和 GGUF 例子展示小幅修改如何減少大型檔案的重傳量。
Google 發佈 Gemma 2 2B、ShieldGemma 安全分類模型及 Gemma Scope 稀疏自編碼器套件。Gemma 2 2B 有 2.6B 參數，補充既有 9B、27B 版本，並可作 Gemma 2 27B 的輔助模型，最高提速 3x 且不損失品質。
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。
Meta 發佈 Llama 3.1，提供 8B、70B、405B 三種規模的 base 與 instruct 模型，均支援 128K tokens 上下文和 8 種語言。Instruct 版本加入工具調用能力，並支援自訂 JSON 函數；授權亦允許以模型輸出改進其他 LLM。Hugging Face 同時列出 Transformers、TGI 等整合，以及各型號在推理和微調時的記憶體需求。
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。
Mistral AI 與 NVIDIA 合作發佈 12B 模型 Mistral NeMo，支援最高 128k tokens 上下文窗口。其預訓練基礎版與指令微調版 checkpoints 採 Apache 2.0 授權；標準架構可替換採用 Mistral 7B 的系統，並支援無性能損失的 FP8 推理。
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。