模型厂商、公司和研究机构自己发布的消息：官网、官方博客和官方账号。
Mistral AI加入NVIDIA Nemotron联盟，成为创始成员，并计划与NVIDIA共同开发前沿开源AI模型。Mistral将贡献模型架构、训练技术、多模态能力和微调工具，NVIDIA则提供算力与开发资源。该联盟的首个项目是在NVIDIA DGX Cloud上训练一个基础模型，为即将推出的NVIDIA Nemotron 4系列提供支撑，并将其开源，以便进行后训练和专业化定制。
推荐理由：联盟计划推出的共享基础模型将为开发者提供后训练和专业化定制的共同起点，使这项合作与具体的模型开发流程相衔接。
Google 与康奈尔大学合作，让 GPT-4o、Perplexity、Claude 3.5、Gemini Advanced Pro 1.5、NotebookLM 和一套自建 RAG 系统回答 67 道高温超导专家级问题，由国际专家小组按六个维度盲评打分。
Mistral 发布 Leanstral，称其为首个面向 Lean 4 的开源代码智能体，采用 6B 激活参数的稀疏架构，权重以 Apache 2.0 许可开放，并接入 Mistral Vibe 与免费 API 端点 labs-leanstral-2603。
推荐理由：Mistral 开源面向 Lean 4 的代码智能体，给出与 Claude 系列和开源模型的成本与得分对比，可据此判断形式化验证路线的性价比。
Berkeley AI Research 提出 SPEX 与 ProxySPEX 算法，可在特征、数据与模型组件归因中大规模识别驱动 LLM 输出的关键交互。SPEX 利用稀疏性与低阶性将交互搜索转化为稀疏恢复问题，ProxySPEX 进一步借助层级结构，以约 10 倍更少的消融实验达到 SPEX 的性能。
Google 宣布在 Flood Hub 上线城市山洪预报，借助新的 AI 方法可提前最多 24 小时预测城市山洪风险。
推荐理由：原文给出了城市山洪预报的模型思路与评估结果，读者可据此判断AI洪水预警在全球南方的覆盖能力。
Google 发布 Groundsource，一套用 Gemini 从全球新闻中提取结构化灾害数据的方法，并开放首个城市山洪数据集，包含 2.6 百万条记录、覆盖 150 多个国家、时间跨度从 2000 年至今。
推荐理由：Google 用 Gemini 把全球新闻转成结构化灾害数据，并给出人工核验的准确率与覆盖对比，可据此判断这套方法能否迁移到其他灾害。
Google Research 与 Beth Israel Deaconess Medical Center 合作开展了一项前瞻性单中心可行性研究，让 AMIE 在门诊初级保健就诊前与患者进行文本问诊，全程由医生通过视频监督。
推荐理由：Google 与 BIDMC 首次在真实门诊流程中部署对话诊断 AI，读者可了解其安全监督机制与诊断表现。
Mistral 基于其开源编码助手 Vibe 搭建了一个自主智能体，可读取 Rails 源文件、生成或改进 RSpec 测试，并在 CI/CD 流程中无需人工干预运行。
推荐理由：Mistral 公开了自动写 RSpec 测试的智能体完整搭建方法，包括 AGENTS.md、skills 与自定义工具三层设计。
Mistral 发布 Voxtral Transcribe 2，包含面向批量转写的 Voxtral Mini Transcribe V2 和面向实时场景的 Voxtral Realtime 两款语音转文字模型。
推荐理由：原文给出两款语音转写模型的延迟、价格与开源许可，读者可据此判断实时语音场景的选型空间。
Mistral 发布终端原生编码智能体 Mistral Vibe 2.0，由 Devstral 2 模型系列驱动，新增自定义子智能体、多选项澄清、斜杠命令技能、统一智能体模式和自动更新。
推荐理由：官方给出 Vibe 2.0 的自定义子智能体、斜杠命令技能与计费方式，可据此判断终端编码智能体的用法与成本。
Mistral AI 团队在 vLLM 上排查一起内存泄漏：在 Mistral Medium 3.1、启用 graph compilation 的 Prefill/Decode 分离部署中，系统内存以每分钟 400 MB 线性增长，数小时后触发 out of memory。Heaptrack 显示堆内存稳定，泄漏发生在堆之外，最终定位到经 NIXL 与 UCX 的 KV Cache 传输环节。
伯克利 AI 研究团队提出一套基于互信息的成像系统评估与优化框架，可直接从含噪测量中估计信息量，预测系统性能。该方法在彩色摄影、射电天文、无透镜成像和显微镜四个领域验证有效，优化后的设计达到端到端方法水平，且内存和算力需求更低，无需任务专用解码器。相关论文发表于 NeurIPS 2025。
Mistral AI 发布 Mistral OCR 3，在表单、扫描文档、复杂表格和手写内容上相对 Mistral OCR 2 的整体胜率为 74%，并称在准确率上超过企业文档处理方案和 AI 原生 OCR 方案。
推荐理由：官方给出与上一代在表单、手写和表格上的胜率对比，以及每千页定价，可据此判断文档解析成本与适用场景。
Mistral AI 发布下一代编码模型系列 Devstral 2，含 123B 的 Devstral 2 和 24B 的 Devstral Small 2，分别采用修改版 MIT 和 Apache 2.0 许可，均为开源。
推荐理由：原文给出两款开源编码模型的参数、许可与 SWE-bench 成绩，并附与闭源模型的胜负对比，可据此判断开源编码智能体的当前水位。
Mistral 发布 Mistral 3 系列，包括 3B、8B、14B 三个稠密小模型和采用稀疏 MoE 架构的 Mistral Large 3，后者为 41B 激活、675B 总参数，全部以 Apache 2.0 许可开源。
推荐理由：Mistral 3 一次性放出从 3B 到 675B 的 Apache 2.0 权重，读者可据此判断开源模型在端侧与前沿两端的可选空间。
Mistral AI宣布在德国作出战略承诺，包括与SAP建立多年合作伙伴关系，为德国和欧洲提供完全自主可控的AI技术栈，将其模型集成到SAP的AI Foundation中，并共同开发针对特定行业的解决方案。通过与Helsing合作，Mistral AI正加快面向国防和安全应用的视觉-语言-行动模型开发。Mistral AI还计划大幅扩充当地团队，并在未来几个月内于德国开设办事处。
Berkeley AI Research 提出一种基于分治法的 off-policy 强化学习算法，不依赖时序差分（TD）学习，可将 Bellman 递归次数从线性降为对数级，从而扩展到长时程任务。该方法在 goal-conditioned RL 中首次实现规模化，利用状态间最短路径距离的三角不等式构造传递式 Bellman 更新，但如何选取最优子目标 w 仍是待解问题。
Mistral 推出 AI Studio，这是一个企业平台，整合了 Observability、Agent Runtime 和 AI Registry，可用于构建、评估和运行生产环境中的 AI。它将生产反馈与评估相连接，通过基于 Temporal 构建的有状态运行时执行智能体，并跟踪资产沿袭、版本和访问控制。该平台支持混合部署、专用部署和自托管部署，Mistral 邀请各组织报名参加其私人测试版。
推荐理由：该平台整合了评估、持久化智能体执行和资产治理，展现了企业团队如何在 AI 工作流中将生产反馈与受控迭代相结合。
Mistral AI 宣布完成 17 亿欧元 C 轮融资，投后估值为 117 亿欧元，由 ASML 领投，现有投资者参与。本轮融资将用于支持科学研究，以及面向工程和工业问题的定制化去中心化前沿 AI 解决方案。ASML 表示，这项战略合作旨在通过 AI 赋能的产品和解决方案让其客户受益，并有望开展联合研究。
Mistral AI 为 Le Chat 上线 Memories（beta），可自动保存有用信息，但回忆过程始终可见并附来源链接。用户可随时关闭记忆、开启不使用记忆的隐身对话、编辑或删除单条记忆，并支持导出与导入。配套 Memory Insights 提供可编辑的提示，帮助查看 Le Chat 记住了什么。
Mistral 在 Le Chat 中发布 20 多个基于 MCP 的安全连接器目录（beta），覆盖数据、生产力、开发、自动化、商业等类别，可接入 Databricks、Snowflake、GitHub、Atlassian、Asana、Outlook、Box、Stripe、Zapier 等工具，并支持添加自定义 MCP 连接器及连接任意远程 MCP 服务器。
推荐理由：原文列出连接器覆盖的工具类别与部署方式，读者可据此判断 Le Chat 能否接入现有企业工作流。
伯克利 AI 研究证明，在四阶近似目标函数、特定超参数约束、极小初始嵌入权重和极小梯度下降步长等条件下，word2vec 的学习问题可化简为无权重最小二乘矩阵分解，其梯度流动力学有闭式解，最终学到的表示等同于对矩阵 M* 做 PCA。
Mistral 用 LoRA 微调 Pixtral-12B，在 Aerial Image Dataset（AID）卫星图像分类任务上显著优于未微调基线，改善了密集住宅与中等住宅、Playground 与 Stadium 等易混淆类别的区分能力。
Mistral AI 发布 Codestral 25.08，并推出面向企业的完整编码栈，包含 Codestral、Codestral Embed、Devstral 和 Mistral Code IDE 插件。
推荐理由：原文给出 Codestral 25.08 的补全提升数据与整套企业编码栈的部署方式，可据此判断私有化编码方案的落地路径。
Mistral AI 联合 Carbone 4 和法国生态转型署（ADEME）完成首个 AI 模型全生命周期分析，并公开 Mistral Large 2 的环境足迹：截至 2025 年 1 月、使用 18 个月后产生 20.4 ktCO₂e、消耗 281 000 m³ 水和 660 kg Sb eq。
Mistral 为 Le Chat 推出一批新功能，包括预览版 Deep Research 模式、由新语音模型 Voxtral 驱动的语音模式、由推理模型 Magistral 支持的多语言推理、用于整理对话的 Projects，以及与 Black Forest Labs 合作的图像编辑。
推荐理由：Mistral 一次性把深度研究、语音、推理与图像编辑并入 Le Chat，可据此判断其助手产品的能力边界。
Mistral 发布 Voxtral 语音理解模型，提供 24B 和 3B 两种规格，均以 Apache 2.0 许可开源并上线 API。模型支持 32k token 上下文，可处理最长 30 分钟音频转写或 40 分钟音频理解，具备内置问答与摘要、多语言自动检测和语音触发函数调用能力，文本能力继承 Mistral Small 3.1。
推荐理由：Mistral 开源语音理解模型，给出两种规格、Apache 2.0 许可与 API 定价，可据此判断语音转写与理解的选型成本。
Mistral AI 与 All Hands AI 合作推出 Devstral Medium，并升级 Devstral Small 至 1.1 版本。
推荐理由：Mistral 与 All Hands AI 联合发布两款编码智能体模型，给出了 SWE-Bench Verified 分数和 API 定价，可据此比较开源与闭源方案的成本性能。
Mistral AI 推出 AI for Citizens 协作计划，帮助各国政府和公共机构战略性地运用 AI 改造公共服务、推动创新并保障竞争力。该计划已在法国、卢森堡、新加坡、荷兰、英国、瑞士等国家落地，提供自托管部署、数据主权保障、定制化研发及模型联合训练等选项，以替代当前主导市场的封闭式"一刀切"AI 方案。
Mistral AI 发布 Mistral Compute，提供从裸金属服务器到全托管 PaaS 的私有集成栈，涵盖 GPU、编排、API 与产品服务。作为 NVIDIA 合作伙伴，该服务将提供最新 NVIDIA 参考架构，初期可用数万块 GPU，并计划在未来数年快速扩张。
推荐理由：Mistral 把自建训练与推理基础设施对外产品化，读者可据此判断欧洲主权 AI 算力供给的另一种选择。
Mistral AI 发布首个推理模型 Magistral，分为 24B 参数的开源版 Magistral Small 和企业版 Magistral Medium。
推荐理由：Mistral 首个推理模型同时给出开源权重与企业版，并公开 AIME2024 成绩与训练论文，便于对比其推理路线。
Mistral 发布企业级 AI 编码助手 Mistral Code，整合 Codestral、Codestral Embed、Devstral 和 Mistral Medium 四个模型，支持云端、专属容量和本地 GPU 气隙部署，并基于开源项目 Continue 构建。
推荐理由：Mistral 把模型、IDE 插件和本地部署打包成企业级编码助手，并给出三家欧洲企业的落地规模，可据此判断私有化编码方案的形态。
Mistral 发布首个专为代码设计的嵌入模型 Codestral Embed，在真实代码检索任务上表现优于 Voyage Code 3、Cohere Embed v4.0 和 OpenAI 的大型嵌入模型。
推荐理由：Mistral 首个代码嵌入模型给出了可调维度与精度，读者可据此权衡检索质量与存储成本。
Mistral AI 发布 Agents API，将自家语言模型与代码执行、网页搜索、图像生成、MCP 工具等内置连接器结合，并提供跨对话的持久记忆与智能体编排能力。
推荐理由：官方给出内置连接器、持久记忆与多智能体编排的具体能力，读者可据此判断企业级智能体平台的搭建方式。
Mistral AI 与 All Hands AI 合作发布面向软件工程任务的智能体 LLM Devstral，以 Apache 2.0 许可开源。
推荐理由：Devstral 在 SWE-Bench Verified 上以 46.8% 超过此前开源 SOTA 逾 6 个百分点，并给出单卡 4090 可跑的本地部署路径。
Mistral 发布企业版 AI 助手 Le Chat Enterprise，由全新的 Mistral Medium 3 模型驱动，提供企业搜索、Agent 构建器、自定义数据与工具连接器、文档库、自定义模型和混合部署等功能，全部功能将在未来两周内逐步上线。
推荐理由：Mistral 把企业搜索、Agent 构建和混合部署打包进一个平台，可据此判断企业 AI 采购的整合方向。
Mistral AI 发布 Mistral Medium 3，官方称其在多项基准上达到 Claude Sonnet 3.7 的 90% 或以上，价格为每百万 token 输入 0.4 美元、输出 2 美元。
推荐理由：官方给出 Mistral Medium 3 的定价、对标模型与部署门槛，读者可据此判断企业自部署的成本区间。
Mistral 提出用 LLM as a Judge 配合 RAG Triad 框架评估 RAG 系统，通过 Context Relevance、Groundedness、Answer Relevance 三项指标分别检查检索文档与查询的匹配度、回答是否基于检索上下文、以及回答是否切中用户问题。
Mistral AI 发布 Mistral Small 3.1，在 Mistral Small 3 基础上提升文本性能与多模态理解，上下文窗口扩展至 128k tokens，推理速度 150 tokens 每秒，以 Apache 2.0 许可开源。
推荐理由：Mistral 官方给出小模型在文本、多模态与长上下文上的对比数据，可据此判断端侧部署的选型空间。
Mistral AI 发布光学字符识别 API Mistral OCR，可把图片和 PDF 解析为有序交错的文本与图像，并已作为 Le Chat 文档理解的默认模型。
推荐理由：官方给出与 Google、Azure、Gemini 系列的横向基准对比和 1000 页/美元定价，可据此判断文档解析方案的替换成本。
