Mistral 发布 Mistral Small 3.1，Apache 2.0 开源并支持 128k 上下文
Mistral AI 发布 Mistral Small 3.1，称其在同类权重模型中优于 Gemma 3 和 GPT-4o Mini，推理速度达 150 tokens 每秒，上下文窗口扩展至 128k tokens，并以 Apache 2.0 许可证开源。
推荐理由：官方公告给出具体基准对比、部署门槛和开放下载渠道，读者可据此评估它能否替代现有小型私有模型。
#端侧
Mistral AI：News精选AI 评分7373
Sakana AI：BlogAI 评分4343 Sakana AI 提出 TAID 知识蒸馏新方法，打造 1.5B 日语小模型 TinySwallow
Sakana AI 提出 TAID（Temporally Adaptive Interpolated Distillation）知识蒸馏方法，通过随学生模型学习进度动态调整的"中间教师"实现从 LLM 到 SLM 的高效知识迁移，该论文已被 ICLR 2025 接收为 Spotlight。
Sakana AI：BlogAI 评分4848 Sakana AI 发布 TinySwallow-1.5B：用 TAID 蒸馏的日语小模型
Sakana AI 发布日语小语言模型 TinySwallow-1.5B，采用新知识蒸馏方法 TAID，从 32B 参数 LLM 向 1.5B 参数 SLM 迁移知识，在同规模模型中取得最高日语基准分数。
Liquid AI 模型与工程博客AI 评分5555 Liquid AI 发布 7.7B 非 Transformer 架构模型 LFM7B，主打低内存与多语言
Liquid AI 发布 LFM7B（7.7B 参数），采用非 Transformer 的 Liquid Foundation Model 架构，官方称在 7B-8B 同级模型中聊天表现领先，支持英语、阿拉伯语、日语等 8 种语言。
Mistral AI：News精选AI 评分6767 Mistral AI 发布 Ministral 3B 和 Ministral 8B 端侧模型
Mistral AI 发布面向端侧和边缘场景的两款模型 Ministral 3B 与 Ministral 8B，称其在 10B 以下级别创下知识、常识、推理、function-calling 和效率的新前沿。
推荐理由：官方发布明确了两款端侧小模型的上下文长度、API 定价和许可证范围，读者可直接评估其本地部署与 Agent 调用场景的适用性。
Liquid AI 模型与工程博客精选AI 评分6464 Liquid AI 发布首批 Liquid Foundation Models：LFM-1B/3B/40B
Liquid AI 发布第一代 Liquid Foundation Models（LFM），包含 1.3B、3.1B 和 40.3B MoE（激活参数 12B）三个语言模型，官方称在各规模上取得同级领先质量。
推荐理由：官方发布了三档模型的基准数据和内存表现，并说明非开源决定与边缘部署定位，读者可据此评估是否试用。
Zyphra ResearchAI 评分5151 Zyphra 开源 Zamba2-small 2.7B 端侧小模型
Zyphra 发布开源（Apache 2.0）端侧小模型 Zamba2-small（2.7B），称在相近规模模型中达到 SOTA 评测表现。该模型采用 Mamba2 与两个共享注意力块混合的架构，并在共享 MLP 上加 LoRA 投影；相比 Phi3-3.8B 实现约 2 倍首 token 速度、27% 内存开销降低和 1.29 倍生成延迟降低。
LlamaIndex：产品、工程与评测精选AI 评分6262 用 LlamaIndex 和 llamafile 搭建本地私有研究助手
LlamaIndex 发布 Mozilla 客座教程，讲解用 llamafile 在笔记本上本地运行 LLM，并以 TinyLlama-1.1B 作为 LLM 与嵌入后端，结合 Wikipedia 页面与私有文档构建完全本地运行的 RAG 研究助手。
推荐理由：教程给出从下载运行 llamafile 到用 LlamaIndex 搭建本地 RAG 研究助手的完整代码路径，可迁移到其他主题。
LlamaIndex：产品、工程与评测精选AI 评分7171 LlamaIndex 教程：用 Ollama 本地运行 Mixtral 8x7b 并构建 RAG 应用
LlamaIndex 发布教程，讲解如何用 Ollama 在本地运行 Mixtral 8x7b 并结合 LlamaIndex 使用。Mixtral 是 Mistral AI 发布的八专家混合模型，各含 7B 参数，博客称其在多项基准上匹敌或超过 GPT-3.5 和 Llama2 70b。
推荐理由：原文提供从安装到建 API 的完整本地 Mixtral 流程，含代码和硬件要求，读者可以直接照做搭建本地 RAG。