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。
Google DeepMind 与新加坡政府科技局（GovTech）推出了一款 Gemma 模型，该模型基于本地诈骗对话进行微调，并针对新加坡常见的智能手机进行了优化。轻量级分类器会先筛查收到的消息，随后模型评估更广泛的对话上下文，并针对疑似操纵行为发出警告；对话处理全程在设备上进行。训练未使用私人信息或个人身份信息，而是使用根据诈骗报告和情报信息源整理的匿名数据集。
推荐理由：这套两阶段检测流程提供了一种可迁移的方法，在兼顾智能手机功耗与基于上下文的诈骗分析的同时，将私人对话保留在设备上。
NVIDIA 与 Microsoft 在旧金山 Windows AI and Surface 活动上宣布为 Windows PC 的智能体时代共同设计软硬件，Microsoft 宣布 OS 级基础设施 Microsoft Execution Containers（MXC）正式可用，让智能体在系统控制下安全持久地在后台运行。
推荐理由：NVIDIA 与 Microsoft 把智能体运行所需的系统级容器和本地算力一起补齐，读者可据此判断本地智能体工作流的落地条件。
Liquid AI 发布 d1 决策模型家族的两款开源权重模型 d1-3B 和 d1-omni-600M（实验性）。
推荐理由：Liquid AI 开源两款决策模型，给出端侧延迟与七项基准对比，可据此判断小模型做结构化决策的可用性。
Google DeepMind 发布 EmbeddingGemma 2，基于 Gemma 4 架构、740M 参数，在 Apache 2.0 许可下开源，将文本、图像、音频、视频映射到统一嵌入空间。
推荐理由：EmbeddingGemma 2 把文本、图像、音频、视频统一到同一嵌入空间，并给出端侧内存与向量截断的具体数字，便于评估本地多模态检索的可行性。
NVIDIA 将于本月通过 Acer、ASUS、Dell、Gigabyte、HP 和 MSI 推出 64GB 统一内存版 DGX Spark，10 月 23 日开售，起售价 4,999 美元，保留 GB10 Grace Blackwell 超级芯片、DGX OS 和完整 NVIDIA AI 软件栈，支持最高 1000 亿参数模型在设备本地运行。
推荐理由：原文给出 64GB 新配置的售价、上市时间和双机集群方式，读者可据此判断本地跑大模型的硬件门槛。
oMLX 作者兼维护者 Jun Kim 加入 Hugging Face，全职投入 MLX 社区建设。oMLX 将从副业转为有资金支持的长期项目，仍保持 Apache 2.0 协议并由 Jun 继续领导，目标是提升稳定性并加快开发。
Hugging Face 为 transformers 加入 GGUF 模型支持，用户可从 Hub 选取 GGUF 检查点，用 from_pretrained 传入 gguf_file 即可在本地生成，无需额外配置。
推荐理由：Hugging Face 官方给出在 transformers 里直接加载 GGUF 的路径与实测对比，读者可据此判断本地推理工作流是否值得迁移。
Google Research 提出 PhotoScan，一个从普通 2D 手机照片估算体脂率、Android-to-Gynoid 脂肪比（A/G）和内脏与皮下脂肪面积比（V/S）的深度学习框架，在 UK Biobank 超 35,000 条记录上预训练、677 名成人队列上微调、132 人独立队列上验证。
Google DeepMind 发布多语种手语转文本模型 SL2T，首次将手语 AI 带入消费级产品，在 Pixel 11 的 Gboard 和 Live Transcribe 中支持美国手语（ASL）转英文听写，后续将扩展更多设备与语言。
推荐理由：原文给出多语种手语到文本模型的能力边界与落地入口，读者可据此判断手语翻译在真实产品中的可用程度。
Google Research 联合 Google DeepMind 提出 SensorFM，一个直接从无标注可穿戴数据学习的大型传感器基础模型，预训练语料为 500 万同意参与者、超过一万亿分钟的多模态传感器信号，覆盖 100 多个国家、50 个美国州和 20 多款 Fitbit 与 Pixel Watch 设备。
推荐理由：原文给出预训练数据规模、缩放实验与下游任务对比，读者可据此判断可穿戴基础模型的通用性边界。
Mistral AI 发布首个具身导航模型 Robostral Navigate，这是一个 8B 模型，仅用单个普通 RGB 相机、无需 LiDAR 或深度传感器，在 R2R-CE validation unseen 上达到 76.6% 成功率，比最佳单相机方案高 9.7 个百分点，比使用深度或多相机的最佳系统高 4.5 个百分点。
推荐理由：原文给出单目 RGB 相机下的导航成功率与训练方法，读者可据此判断具身导航对传感器依赖的变化。
Google Research 发布一种新架构，把多 Token 预测（MTP）头挂到已冻结的 Gemini Nano v3 模型上，在不改动主干权重的前提下加速端侧生成。
推荐理由：Google 把 MTP 头挂到冻结的 Gemini Nano v3 上，给出端侧推理在内存与能耗约束下的具体做法和收益。
Google DeepMind 发布 Gemma 4 12B，一款面向笔记本电脑的智能体多模态模型，介于边缘端 E4B 与 26B MoE 之间，也是其首个支持原生音频输入的中等规模模型。
推荐理由：Gemma 4 12B 去掉多模态编码器并把视觉音频直接接入 LLM，读者可据此判断本地多模态智能体的硬件门槛。
Google Research 在 Nature 发表 PHRM 研究系统，利用手机前置摄像头在面部解锁后的数秒内拍摄视频，通过深度学习在后台估算心率和静息心率。
推荐理由：Google 用手机前摄在解锁后被动测心率，并公开迄今最大规模手机视频数据集与预训练模型。
Google 为隐私分析服务推出零信任聚合方案，结合新型密码学聚合方法与 TEE 硬件保护，可在单条消息内完成设备数据提交，无需多轮在线交互。该方案保证 Google 只能获得人群的匿名聚合洞察，原始数据即使在硬件保护范围内也不会被暴露或重建，TEE 认证机制则向参与者提供协议按预期执行的验证证明。
Google DeepMind 发布 Gemma 4 开源模型家族，包含 E2B、E4B、26B MoE 和 31B Dense 四个尺寸，采用 Apache 2.0 许可。
推荐理由：Gemma 4 以四个尺寸覆盖端侧到工作站，并给出 Arena 排名与 Apache 2.0 许可，便于判断开源模型的可用边界。
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 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 Mistral Small 3，一个面向低延迟优化的 24B 参数模型，以 Apache 2.0 许可开源，同时提供预训练和指令微调两个 checkpoint。
推荐理由：24B 参数在 Apache 2.0 下对标三倍体量模型，并给出单卡本地部署的量化条件，便于判断小模型落点。
