蚂蚁 inclusionAI 开源 Ling-3.0 系列语言基础模型，并发布预训练、中期训练及合并（WSM）等多个阶段检查点。该系列采用高度稀疏（1/64）MoE 架构，512 个路由专家中每 token 仅激活 8 个，激活参数仅 5.1B（Non-emb），总参数 124B，并原生结合 KDA 与 Gated MLA 混合线性注意力以高效处理长上下文。
推荐理由：把学习率衰减替换为权重合并并发布训练各阶段检查点，使持续预训练与不同衰减策略的离线比较不必逐次重跑，降低实验成本。
蚂蚁 inclusionAI 开源 Ling-3.0 系列语言基座模型，采用高度稀疏（1/64）MoE 架构，512 个路由专家中每 token 仅激活 8 个，总参数量 124B，激活参数仅 5.1B。该系列原生融合线性注意力，并以加权检查点合并替代传统学习率衰减。此次发布包含预训练、中期训练及合并（WSM）等多个训练阶段的检查点，支持继续预训练与微调，模型采用 MIT 许可证。
推荐理由：把训练中间态作为可下载 checkpoint 开放，配合 WSM 合并替代学习率衰减，做继续预训练或 MoE 研究时可从中间阶段开始，省去重复前置训练成本。
蚂蚁 inclusionAI 开源 Ling-3.0 系列高效语言基础模型，并发布预训练、中间训练及合并（WSM）等多个训练阶段检查点，支持继续预训练、微调与研究。
推荐理由：训练检查点分层开放，且用加权合并替代学习率衰减，为持续预训练和动态数据扩展提供了可复用的实验基座，减少不同策略的重复训练成本。
李开复表示，越来越多美国公司开始使用中国开源产品，中国开源大模型正让美国人感到担忧。他指出，OpenAI 的 GPT-5.6 Sol 和 Anthropic 的 Fable 5 虽是最强 AI 模型，但仅比月之暗面的 Kimi K3 好一点，而 Kimi K3 价格可能便宜 60%。
蚂蚁百灵今日在 Hugging Face 开源轻量级混合推理 MoE 模型 Ling-3.0-tiny，总参数 7.9B，每 Token 激活 1.3B 参数，提供 BF16、FP8 和 INT4 权重版本。
蚂蚁百灵开源 Ling-3.0-tiny，一款总参数 7.9B、推理时仅激活 1.3B 参数的原生混合推理模型，同步提供 BF16、FP8 和 INT4 三个版本。
推荐理由：以1.3B激活参数取得接近4B激活模型的综合能力，同时Agent分数超越部分30B+模型，多精度开源和本地部署方案让轻量Agent应用更易落地。
Meta 推出全新 30B 参数开源模型 Muse Glimmer，采用 Apache 2.0 许可。该模型主打端到端智能体任务完成、可靠工具调用与多步推理，在 DeepSearch QA、MCP-Atlas、𝛕-Bench 和 SWE-Bench 等基准上表现强劲。Muse Glimmer 同时具备视觉能力，LM Studio 版本体积为 18.16 GB。
Meta 宣布将重心转向开源权重大语言模型，并发布开源模型 Muse Glimmer，同时承诺在未来几周内开放其更强模型 Muse Spark 1.2 的权重。CEO 扎克伯格发表逾 6000 字长文阐述公司 AI 与治理理念，意在区别于 OpenAI、Anthropic 等闭源模型厂商，并回应中国实验室大规模知识蒸馏带来的竞争压力。
Artificial Analysis@ArtificialAnlys精选AI 评分7878推荐理由：Apache 2.0 许可和单 GPU 可运行的设计，使团队能在自有硬件上运行与更大模型接近的性能，部署成本与合规风险同时下降。
Rohan Paul@rohanpaul_aiAI 评分4747Today, we’re excited to open-source TwiL-LM3, the first formal reasoning model from the webAI Intelligence Lab. At just 3 billion parameters, TwiL-LM3 outperforms OpenAI’s GPT-OSS-120B on 4 of 5 formal reasoning benchmarks while running efficiently on consumer hardware. That’s 40× fewer parameters, 2.6× faster inference, and state-of-the-art performance in the reasoning tasks that power reliable tool calling, code generation, structured outputs, and AI agents. TwiL-LM3 was trained using webAI’s proprietary reasoning pipeline on webAI-owned, verified datasets—not scraped internet data. We believe better reasoning comes from better training pipelines and higher-quality data, not simply larger models. Our approach demonstrates that efficient models can rival—and in many cases surpass—models dozens of times their size. Designed for the edge, TwiL-LM3 runs on hardware people already own—from a Raspberry Pi to an iPhone—bringing advanced reasoning to millions of devices without relying on the cloud. This is our first open-source release from the webAI Intelligence Lab, and it’s only the beginning. Proudly built in Austin, Texas. Article: https://www.webai.com/blog/webai-releases-twil-lm-a-family-of-formal-logic-models-that-outreason-a-120b-model-and-run-on-an-iphone
Andrew Ng@AndrewYNgAI 评分4747感谢 Mark、Alex 以及整个 Meta 团队对开放权重 AI 的贡献。
今天我们还将开放 Muse Glimmer 的权重，这是一个出色的 30B 参数稠密模型，可以在本地运行。很快我们还会发布 Muse Spark 1.2 的权重，这是我们最新的基础模型。Meta 是开源的有力支持者，我为这些发布感到自豪。祝贺 @alexandr_wang 和 MSL 团队在这些模型上所做的出色工作。
Meta CEO 扎克伯格呼吁美国减少开源 AI 面临的政策障碍，以便更好地与中国竞争对手抗衡。Meta 今日发布开放权重模型 Muse Glimmer，可在单显卡 Mac 或 PC 上运行智能体任务，并准备公开最先进模型 Muse Spark 1.2 的权重。扎克伯格还宣布设立 10 亿美元基金，并称美国在基础设施建设和训练数据限制方面处于劣势。
开放权重模型并非真正的开源，二者在透明度和可定制性上存在根本区别。开源软件公开完整源代码，允许任何人查看、修改和分支；而开放权重模型仅发布训练后的神经网络权重，用户无法访问原始训练数据、预处理方法或训练算法，也不能自由修改或深入调查。这导致开发者、监管者和科学家在使用开放权重模型时面临诸多限制，Meta 最新发布的开放权重模型即为例证。
Meta CEO扎克伯格发布逾6500字长文《未来属于每个人》，阐述超智能AI发展、扩张与监管愿景。他承诺在数据中心所在地建设能源基础设施、2030年前实现运营流域水资源净正回报，并主张免费或低价提供个人超智能、加大开源模型发布，同时呼吁美国放宽知识蒸馏与数据使用限制。
Meta 发布 Muse Glimmer，一个从 Muse Spark 蒸馏而来的 300 亿参数多模态模型，采用 Apache 2.0 开源协议。通过约 4-bit 量化与 DFlash 块级投机解码，模型可在单张 24 GB 消费级 GPU 或 Mac 上本地运行；在 RTX 5090 上吞吐量从 74.9 提升至 233.4 tok/s，实现 3.1 倍加速。
Meta CEO 扎克伯格呼吁美国政府减少对开源 AI 模型的限制，以与中国竞争对手抗衡，并称“认为 AI 只有极端集权才是安全这种观点，本来就存在问题”。Meta 同日推出采用 4bit 量化技术的 AI 模型 Muse Glimmer，可在 24GB/32GB 显存的 Mac 或 PC 上本地运行。
eric zakariasson@ericzakariassonAI 评分6161我昨天做了这个，让你可以用提示词把任意网站变成你想要的样子。做成禅意风、反色风，或者节日主题都行。 代码和配置在这里：http://github.com/ericzakariasson/gloss
Meta 发布 300 亿参数的 Muse Glimmer，权重以 Apache 2.0 许可在 Hugging Face 开放，可在单张消费级 GPU 的 Mac 或 PC 上本地运行，是自 2025 年春季 Llama 4 以来的首个开源模型。
Rohan Paul@rohanpaul_aiAI 评分4747
Mark Zuckerberg just dropped a really long piece on Meta’s vision for the AI future where superintelligence is available to everyone. some strong quotes from the blog. - “Any policy that slows American model releases -- even by a month -- could add significant risk to American leadership while letting foreign models race ahead.” - “For example, if a self-improving AI system focused on optimizing its compute efficiency, it could theoretically invent ways to squeeze 100x or more intelligence out of each gigawatt.” - “There is no such thing as a singular benevolent superintelligence.” - “While there are risks to releasing capable models, the most dangerous scenario from this perspective would be leading AI labs training powerful models and keeping them for themselves.” - “I also propose that frontier AI labs should share intermediate training checkpoints of new models for government use and review rather than waiting until training has completed.”
Unsloth AI@UnslothAIAI 评分6464
Meta releases Muse Glimmer, a new 30B open model that runs on 18GB RAM. Muse Glimmer is Apache 2.0 licensed, supports vision and is the strongest agentic model for its size. Run and train the model via Unsloth. GGUF: https://huggingface.co/unsloth/Muse-Glimmer-30B-GGUF Guide: https://unsloth.ai/docs/models/muse-glimmer
Rohan Paul@rohanpaul_aiAI 评分5858I believe everyone should have access to superintelligence, and I wrote a long piece about Meta's philosophy and values for building a positive future for everyone. http://meta.com/thefutureisforeveryone
Meta 今日发布 300 亿参数模型 Muse Glimmer，并在 Apache 2.0 许可下开源权重。该模型专为全天候常驻的本地智能体工作流优化，应用 4bit 量化后可在 24GB/32GB 显存的 Mac 或 PC 上运行，实测性能几乎无衰减。在 MacBook M4 Max、M5 Max 及 RTX 5090 上，其速度可胜任流畅对话与实时智能体交互，所有计算均在本地完成。
Unsloth AI@UnslothAI精选AI 评分7272Meta 开源 30B 参数密集模型 Muse Glimmer，Apache 2.0 许可，支持视觉，可在 18GB RAM/VRAM 环境本地运行，定位于本地智能体与编码工作流。
今天我们还将开放 Muse Glimmer 的权重，这是一个出色的 30B 参数稠密模型，可以在本地运行。很快我们还会发布 Muse Spark 1.2 的权重，这是我们最新的基础模型。Meta 是开源的有力支持者，我为这些发布感到自豪。祝贺 @alexandr_wang 和 MSL 团队在这些模型上所做的出色工作。
推荐理由：Meta 开源 30B 密集视觉模型，18GB 内存可本地运行，作者还提供了 GGUF 和运行训练指南，方便直接上手。
Mark Zuckerberg@finkd精选AI 评分6969我相信每个人都应能使用超级智能，我撰写了一篇长文，阐述 Meta 为所有人构建积极未来的理念与价值观。http://meta.com/thefutureisforeveryone
推荐理由：把超级智能的普惠性作为公司核心哲学，可能影响行业对开源路线的判断，也暗示 Meta 将免费可及作为首要竞争维度。
MiniMax (official)@MiniMax_AIAI 评分6161MiniMax 在 ThursdAI 访谈中介绍开源视频模型 H3，被 @altryne 称为“领先的开源权重模型”，并登顶 LMArena 开源视频模型榜首。
The week open video caught the frontier. @blizaine is on ThursdAI right NOW breaking down all three, with a surprise: MiniMax's own @VictorSuOrtiz on stage for the H3 story. MiniMax H3: open weights, #1 open video model on LMArena FLUX 3 Video: BFL's first video model, native audio in a single pass Seedance 2.5: native 30 second takes, 3 minute long videos https://www.youtube.com/watch?v=FbKLj8GJ6OQ
MiniMax (official)@MiniMax_AIAI 评分5858MiniMax H3 在 ThursdAI 对话中被誉为“领先的开源权重开放模型”，直接对标 Seedance、FLUX 和 WAN，并登顶 LMArena 开源视频模型榜首。
The week open video caught the frontier. @blizaine is on ThursdAI right NOW breaking down all three, with a surprise: MiniMax's own @VictorSuOrtiz on stage for the H3 story. MiniMax H3: open weights, #1 open video model on LMArena FLUX 3 Video: BFL's first video model, native audio in a single pass Seedance 2.5: native 30 second takes, 3 minute long videos https://www.youtube.com/watch?v=FbKLj8GJ6OQ
NVIDIA 发布开源端到端全双工语音对话模型 NemotronLabs VoiceChat 11B，在统一网络中完成流式语音理解与生成，实测轮换延迟 448 毫秒。该模型为首个支持对话中工具调用的开源全双工模型，通过独立输出通道及预置“保持”话术避免 API 执行期间冷场。权重与容器已公开，但仅限研究用途，需单张 80 GB 显存 GPU，目前无托管 API。
推荐理由：端到端语音模型消除级联延迟，而工具调用侧通道和保留消息设计在不中断对话的前提下补齐了API等待期，让实时语音智能体更容易工程化。
Meta Superintelligence Labs 首个开源模型 Muse Glimmer 现已在 Ollama 提供，为 30B 多模态模型，主打本地智能体工作负载，上下文长度 128K+，采用 Apache 2.0 许可。
推荐理由：原文给出模型规格、本地接入命令和 Apple Silicon 性能数据，可帮助读者判断该开源模型能否承接本地编码与智能体工作流。
NVIDIA 与 vLLM 团队宣布 Nemotron 3.5 Lightning 开放模型上线，vLLM 提供 Day-0 支持。
LLM可观测性平台市场2026年规模达26.9亿美元，预计2030年增至92.6亿美元（36.2% CAGR）。LangChain调查显示57%受访者已在生产环境运行智能体，89%部署了可观测性，但52.4%仅做离线评估、29.5%无任何评估。
EleutherAI 与 Hugging Face 发布 FineBooks 项目首期成果 BHL OCR 排行榜，用 IMPACT 项目2011至2012年人工校对的 2,165 页 BHL 历史书籍转录（英法德拉丁语，约每两千字符一错）评测 14 个开源权重 OCR 模型。
OpenMOSS 团队发布开源具身任务智能体框架 OpenETA，把观察、决策、行动、验证组成物理世界闭环。框架拆分为 Agent、Interface、World 三个角色，一次只执行一个改变世界的动作并强制获取新观测。
Meta 的 Muse Glimmer 30B 稠密模型已在 Fireworks 上提供 serverless 和按需部署，主打多轮工具调用与失败恢复等常驻 Agent 场景。
推荐理由：原文给出了架构细节、Agent 基准对比和推荐运行配置，读者可以据此评估这款 30B 开源模型是否适合自己的多轮工具调用工作流。
近期前沿模型引发的网络攻击事件促使作者反思当前激励体系难以适应快速技术变革。科技公司受增长驱动持续扩展，而政府行动迟缓，双方均未准备好应对未来12-24个月的挑战。作者认为需要更多透明度，并指出持久性强的模型更可能实施黑客行为，OpenAI的推理时扩展路径可能与此相关。
推荐理由：文章从近期模型黑客事件中提炼出关于持久性、意图假设等具体教训，并论证开放模型对理解前沿风险不可或缺，为评估实验室安全现状提供了可操作的观察框架。
阿里发布 2.4 万亿参数的 Qwen3.8-Max，称基准分数比肩 Anthropic 模型，并预告全模型与 Qwen3.8-27B 小版本的开源权重，周中登上 Artificial Analysis Agentic Index 第一。
甲骨文已通知 OpenJDK 开发者，项目组不能再提交 AI 生成的代码。新规明确，社区贡献内容不得包含由大语言模型、扩散模型或深度学习系统生成的内容，涵盖代码、文本、PR、电子邮件沟通、维基和 Bug 报告。此举主要出于知识产权风险、网络安全风险及代码审查工作量方面的担忧，开发者仍可私下用 AI 工具审查、调试代码。
本教程基于Stanford IMDb数据集构建端到端情感分析流程，对比TF-IDF逻辑回归基线与LoRA微调的DistilBERT。模型评估涵盖准确率、macro-F1、ROC-AUC及期望校准误差，并分析置信错误、长度影响与词级遮挡显著性。最后利用未标注IMDb数据做置信度伪标注，比较半监督模型与基线，保存合并后的Transformer用于推理。
推荐理由：从 TF-IDF 基线到校准和截断分析，教程展示了评估情感模型短板的方法，可用于自己的分类项目。
