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、Google Research、WRI 和 IIASA 发布了 2020 年森林类型图（ForTy），这是一幅全球 10 米分辨率地图，将土地划分为六种森林和土地利用类别；同时还发布了涵盖 2017 至 2025 年的初步时间序列数据。在 9,000 多个地点进行的验证显示，森林类型识别准确率为 90%，区分森林与非森林土地的准确率为 95%。这些数据集采用开放许可，可在 Google Earth Engine 上免费获取，并展示了自然森林转变为种植园或农田等变化。
区分森林类型有助于揭示树冠覆盖地图可能遗漏的土地转变：被砍伐的天然林可能变成绿色种植园，从而为评估森林砍伐和退化提供更具体的依据。
IBM 推出了 Granite Timeseries Ensemble，这是一种采用宽松许可的方案，通过组合四个预训练的 Granite 模型来生成中位数和分位数预测，无需重新训练或拟合集成权重。它提供默认的等影响概率池化方法，以及一种自适应 IQR 替代方案。在 97 种 GIFT-Eval 配置中，默认方法的聚合 MASE 为 0.683，优于最强单个成员的 0.685；而 PatchTST-FM-r2 的聚合 CRPS/MWQL 仍然最低。加载四个检查点会增加推理时间和内存用量。
基准比较说明了该集成在略微改善聚合点预测与增加推理成本之间的权衡，同时也展示了概率预测准确度为何可能更有利于某个单独成员。
AWS 提供了一份指南，介绍如何在单台 trn2.48xlarge 上使用 Transformers v5、torchtitan 原生的 Qwen3 实现和 NKI 混合专家内核训练 Qwen3。各项配置采用相同的 torchrun 启动模式和配置结构，并提供了加载和保存 Hugging Face 检查点的示例。指南还演示了自定义内核注册和 autograd 集成，并明确指出该示例旨在展示集成方式，而非提升性能。
本指南提供了一种可复用的模式，通过算子注册、autograd 和配置覆盖来集成自定义训练内核，并在训练前通过数值比较检查正确性。
NVIDIA 推出了 Kumo Relational，这是一款预训练基础模型，可直接从关系数据库进行预测，并将最多 10,000 个历史样例用作上下文，无需针对特定任务训练或进行特征工程。NVIDIA 报告称，在 15 个数据库上的 41 项任务中，该模型的表现优于监督学习方法；在 SAP SALT 上，其 MRR 比 AutoGluon 集成模型高出 8%。用户可通过开源的 structured-data-models 库或 NVIDIA NIM 使用该模型，也可选择进行微调。
这些基准测试对比为评估关系型上下文学习何时能够取代经过工程设计的预测流程提供了具体依据，而任务规模和关系结构界定了实际应用的限制。
Dharma AI 介绍了 VocabX，这是一种按成本加权的词汇适配方法。在基于 Qwen3-4B 构建的葡萄牙语作文评分器中，该方法将实测推理成本降低了 77.0%。使用相同的基础模型、数据和训练方案时，平均回复长度从 350 个 token 缩短到 101 个，基准测试得分则从 0.703 提高到 0.810。这些结果来自一篇仍在评审中的论文，发表前可能会有所变化。
评分器实验说明了为什么词汇压缩应保留影响决策的 token：将评分与周围的 JSON 内容分离后，实测成本节省和评估质量均有所提升。
Google Research 报告了一项发表于《JAMA Network Open》的前瞻性研究，评估 AI 根据由新手操作员在芝加哥和内罗毕进行的盲扫超声检查来判断孕龄的效果。在 385 名孕期 16 至 36 周的参与者中，该模型的平均绝对误差为 4.18 天，专家超声医师为 4.48 天，达到了研究设定的非劣效标准。微调使用了芝加哥 120 名参与者的数据，未使用内罗毕的数据进行本地优化。
在两个临床环境和不熟悉的超声设备上进行测试，为模型能否推广到训练队列之外提供了证据；这也是扩大产前筛查覆盖面的实际考量。
微软研究院的 Xinzhi Zhang 与合作者 Zhao Song 报告称，他们证明了这个提出 31 年的 KLS 猜想，为对数凹分布建立了一个与维度无关的普适界。研究人员指导 AI 智能体探索了 100 多种候选方法，随后开发出递归改进方法，完成了证明。文中介绍了独立完成的证明，以及之后结合他们的关键判据与其他研究成果进行的 Lean 4 形式化工作。
这篇报道提出了一种可迁移的研究方法：通过人类反复筛选 AI 的搜索轨迹，并将其与使用大致相同总 token 预算、但缺乏引导且未能成功的尝试进行对比。
IBM 推出了 granite-speech-5.0-2b，并更新了 granite-speech-5.0-470m-turboctc 和 granite-speech-4.1-2b-plus，三者均采用 Apache 2.0 许可证并原生支持 Transformers。新的 2B 模型借助最多包含 2,000 个词条的关键词列表提升了转录和翻译效果；Turbo CTC 新增多语言转录功能，达到 19,870 RTFx，速度约为发布时的 1.6 倍，准确度保持在同一水平。更新后的 Plus 模型提升了说话人归属和时间戳表现，长篇内容的 WER 降低了 24%。
这项比较将准确度、吞吐量和说话人归属方面的改进对应到不同的录音工作流程，为用户依据三款模型公布的能力和评测结果进行选择提供了实用依据。
ChatGPT 广告正拓展至 26 个新国家，已有超过 10 万名广告商使用该平台。从本地企业到全球品牌，更多广告商现在可以在用户通过 ChatGPT 探索、比较和决定购买商品时触达他们。
此次拓展让另外 26 个国家的广告商能够触达在 ChatGPT 中探索购买选项的人群，扩大了该平台面向企业的地域覆盖范围，服务对象从本地商店到全球品牌。
OpenAI 与 Google Cloud 将把前沿模型和 Codex 工作流引入 Gemini 的 Model Garden，并通过 Google Cloud Marketplace 提供。
公告指出，Google Cloud Marketplace 是获取 OpenAI 模型和 Codex 工作流的渠道，明确了这些产品将通过何处提供。
本指南介绍如何在 Hugging Face Spaces 中使用 RFD4-Proteina 生成蛋白质设计，并通过命令行、Python 或 Diffusers 继续工作流程。该开放模型由 NVIDIA 与华盛顿大学蛋白质设计研究所共同开发，可根据给定约束同时生成蛋白质序列和全原子结构。本指南以 PD-L1 结合蛋白为例，介绍热点注释、思考设置，以及如何确保结果可复现；确认是否结合仍需进行实验验证。
记录经过注释的分子输入、模型和软件版本、随机种子、采样设置及硬件信息，可形成一种可迁移的方法，帮助在浏览器和编程工作流中复现随机蛋白质设计。
SimReady Central Library 将 2,000 多个可用于仿真的 OpenUSD 资产带到 Hugging Face，为机器人仿真和 AI 工厂数字孪生提供免费、无需门槛的访问。开发者可以通过自然语言查询搜索设备，并根据支持的仿真配置文件选择资产。OEM 厂商可以验证、打包并提交资产；示例则展示了面向机器人抓取与放置场景及替代工厂布局的 AI 辅助工作流程。
配置文件系统为开发者提供了明确依据，可据此选择具备仿真工作流程所需物理属性和元数据的资产，从而减少整合不同供应商设备时的手动准备工作。
Mistral 与 NVIDIA 正在合作开发 AI 工程工作流，利用 Mistral Large 4 和 NVIDIA 加速计算连接仿真、模型开发与设计。双方计划推出面向物理模型的公开基准测试和开放数据集，并评估执行 CAE 和 EDA 工作流的智能体，衡量其技术正确性、执行时间和计算成本。此次合作还计划集成 NVIDIA Omniverse 库，用于 GPU 加速的 3D 场景生成和 SimReady 资产创建。
计划中的基准测试将为比较工程智能体提供具体框架，评估其在各类工程工作流中的技术正确性、多步骤工具使用能力、执行时间和计算成本。
NVIDIA 推出了机密裸金属部署选项，让前沿模型构建者能够在专用的第三方基础设施上运行敏感工作负载，同时保留对模型、数据和软件栈的控制权。该选项与机密容器和机密虚拟机并列，新增的安全控制可保护传输中的数据、测量平台完整性，并强制执行硬件级访问限制。如今，支持范围扩展至 Grace Blackwell NVL72、HGX Rubin NVL8 和 DGX Rubin NVL8 系统；Cohere 计划将其集成到 Cohere Model Vault 中。
这些部署选项明确了模型构建者如何根据自身信任边界选择基础设施，同时在使用第三方算力时保留对软件栈的控制权。
英伟达工厂运营蓝图（FOX）现已在 GitHub 开放早期体验，可用于构建工厂经理和专业人员智能体；与此同时，cuDSS 已正式发布，可用于加速仿真。西门子正将基于 FOX 的智能体集成到 Intelligence Center X，预计可节省 20% 的成本；该公司还报告称，利用 Cosmos 生成的缺陷图像，已将检测校准时间缩短 40%。其他欧洲制造商介绍的应用涵盖工程仿真、数字孪生和机器人验证。
这些工厂案例展示了如何通过连接视觉检测、机器日志和工程知识来支持协调一致的运营响应；西门子报告称，检测校准时间有所缩短。
NVIDIA云合作伙伴正在欧洲、北欧、非洲和中亚扩展区域训练与推理基础设施，同时提供开放模型服务和智能体部署管控。在使用NVIDIA GB300 NVL72系统进行的测试中，Nscale报告称，在使用NVIDIA DSX MaxLPS且供电预算相同的情况下，GPU数量增加了37%，总体推理吞吐量提高了近50%。NVIDIA还在柏林GTC上宣布推出OpenShell参考架构，整合推理基础设施、安全运行时软件和芯片内强制执行机制，以管控智能体的访问权限和操作。
Nscale报告的固定功率预算内吞吐量提升表明，在区域AI云面临能源限制时，电源管理如何扩大可用推理容量。
Google Cloud 与 NVIDIA 宣布，基于 NVIDIA Vera Rubin NVL72 的 A5X 实例将于下月正式推出，并计划扩展至欧洲。Google Cloud 计划将其 Vera Rubin 基础设施扩展至多个站点，部署多达 960,000 个 Rubin GPU。首个获得 A5X 使用权限的客户 Ineffable Intelligence 正在利用该平台进行大规模强化学习，并构建能够从经验中持续学习的系统。
强化学习示例说明了云基础设施为何必须将经验生成与模型更新连接起来，也为 A5X 对计算、网络和存储的集成提供了背景。
英伟达首席执行官黄仁勋在柏林 GTC 大会上发表主题演讲，介绍了 AI 基础设施、智能体工具和机器人硬件。NVIDIA DSX POD 以模块化集装箱的形式整合 Vera Rubin AI 工厂；据称，待公用设施就绪后，现场部署时间可从六个月缩短至 14 天。其他公告包括用于安全 AI 智能体的 OpenShell 参考架构、用于连接智能体与企业数据的 Agent Knowledge Foundation，以及预计明年推出的 Agile ONE SN 人形机器人参考设计。
模块化 AI 工厂公告给出了具体的部署时间对比：待公用设施就绪后，现场安装时间可从六个月缩短至 14 天。
NVIDIA 正在扩展其开放模型组合，涵盖语言、机器人、生物学和量子计算，使组织能够利用本地数据定制模型，并将其部署在自己掌控的基础设施上。此次发布包括 Nemotron 3.5 Super VL、面向结构化业务数据的 Kumo 模型、Cosmos 3.5 世界模型，以及用于蛋白质设计的 BioNeMo RFD4-Proteina。Nemotron 3.5 Bolt E4B 4GB 预计将于周五（10 月 23 日）发布，Alpamayo 2 Edge 计划于本月晚些时候开放下载。
该模型组合为组织提供了一种共同的方法，使其能够利用本地数据调整模型，并将模型部署在自己掌控的基础设施上，以适应多个不同的行业工作负载。
NVIDIA 扩展了其开源 Agent Toolkit，新增 Agent Knowledge Foundation、Kumo 模型和工具，帮助企业智能体扎根于公司数据并控制其运行。Agent Knowledge Foundation 整合了 CUDA-X 库、Auto-Ontology 和开放模型，可在不迁移数据、不改变现有工作流程或治理控制的情况下支持检索和预测。OpenShell 提供运行时边界，而 NemoClaw 蓝图则为安全、专用的智能体提供参考设计。
此次扩展展示了企业智能体基础设施如何连接公司数据、预测模型和运行时控制，同时保留现有的数据存储位置、工作流程和治理控制。
