ML-intern 如何构建原本不存在的定制模型
作者使用 HuggingChat 中的 ML-intern，在几天内构建并发布了六个定制模型，覆盖微调、LoRA、蒸馏和端侧运行。文章总结了提示词中加入基线、冒烟测试和预算上限的做法，六个项目的 GPU 与 CPU 作业总成本约 USD 103。
推荐理由：文章用六个项目拆解 ML-intern 从数据准备到训练、评估和发布的流程，并给出基线、冒烟测试与预算控制等可复用的提示词设计方法。
Hugging Face Blog精选AI 评分8282
Hugging Face Blog精选AI 评分7878 Nemotron 通过微调在 IOI 2026 与 IMO 2026 达到金牌级成绩
Nemotron 团队从 Nemotron 3 出发，结合 SFT、RL 和反馈驱动推理，在 IOI 2026 得到 535.4/600，在 IMO 2026 得到 30/42，均达到金牌级门槛。
推荐理由：文章对比了 Nemotron 在 IOI 与 IMO 中的专门化路径，具体展示微调、反馈推理和验证流程如何协同提升竞赛表现。
Hugging Face Blog精选AI 评分8181 Microsoft 与 Hugging Face 发布 ThinkingBox 智能体评测环境
Microsoft 与 Hugging Face 发布 ThinkingBox 及 ThinkingBox-Bench，通过终端后端状态和副作用评测 AI 智能体，并在每项任务上重复运行 20 次。
推荐理由：文章把智能体评测从工具调用和最终回复推进到后端状态与副作用，并用20次重复揭示一次成功与持续可靠性之间的差距。
Hugging Face Blog精选AI 评分6767 AstaBrief 8B 科学报告生成模型开源
Ai2 开源 AstaBrief 8B，用于将研究问题和检索到的文献摘录生成带引用报告。该模型已作为 Asta 的 Fast mode 使用，平均每份报告耗时 51.1 秒，相比 Thinking mode 的 178.5 秒约快 3.5×。除模型权重外，团队还发布了训练数据和可从自有 PDF 生成报告的示例工作流。
推荐理由：AstaBrief 8B 的训练数据筛选、引用归因指标与部署方式，为科学报告模型的开源复现提供了具体参考。
Google DeepMind精选AI 评分7777 Google DeepMind 推出 SynthID Bio，为 AI 生成蛋白质加入可验证水印
Google DeepMind 推出 SynthID Bio，可将不可感知且可验证的水印嵌入 AI 生成蛋白质的生物代码及预测结构中。在 VEGF-A、SARS-CoV-2 spike protein RBD 和 PD-L1 三种靶蛋白的湿实验中，水印设计保持了命中率、结合亲和力和自然序列多样性。
推荐理由：文章把 AI 生成蛋白质的来源追踪与实验功能验证结合起来，具体展示了水印在序列和三维结构中的嵌入方式及三种靶蛋白上的测试结果。
Hugging Face Blog精选AI 评分6868 Hugging Face 发布 Open TTS Leaderboard，评测多语言 TTS 与语音克隆
Hugging Face 发布 Open TTS Leaderboard，使用 WER/CER、RTFx、TTFA 和说话人相似度等客观指标评测开放式、多语言 TTS 模型。
推荐理由：Hugging Face 将多语言、语音克隆、推理速度与流式延迟纳入统一评测，为开放 TTS 模型提供更可扩展的比较维度。
Microsoft Research精选AI 评分7272 Microsoft Physical AI Toolchain 新增机器人推理卸载能力
Microsoft Physical AI Toolchain 新增机器人物理 AI 推理卸载能力，可将工作负载分布到机器人、边缘 GPU 和云端。Microsoft Research 的测量显示，卸载可提升任务成功率、支持更大模型并延长电池续航；较小 GPU 上映射和规划最多慢 383%，导航及时障碍检测下降 30%，VLA 准确率下降 50%。
推荐理由：原文以移动机器人操作任务的实测数据比较本地、边缘与云端推理，并介绍 Kubernetes 工具链如何支持部署。
Microsoft Research精选AI 评分6161 Microsoft Research 发布 GigaPath-Flash 与 GigaTIME-Flash 高效病理基础模型
Microsoft Research 发布 GigaPath-Flash 和 GigaTIME-Flash 两个开放权重病理基础模型，面向更高效的全切片分析和肿瘤微环境研究。
推荐理由：文章展示了 GigaPath-Flash 与 GigaTIME-Flash 如何以更低计算成本处理大规模病理数据，并给出模型结构、基准表现与资源估算。
Berkeley AI Research精选AI 评分6464 K-Search 如何将 CUDA 内核经验迁移到 Apple Silicon
IBM Research 将结构化 CUDA-to-MLX 翻译层接入 K-Search，使其能把 CUDA 内核知识迁移为 Apple Silicon 上的 MLX 内核。
推荐理由：文章展示了 CUDA 优化经验如何通过翻译层迁移到 MLX，并用 Attention 与 Mamba 的实测结果呈现这一路径的效果。
已经到底了