Liquid AI 发布 d1 决策模型家族的两款开源模型 d1-3B 和实验性的 d1-omni-600M。d1-3B 在 Decision Index 0.2.1 上得分 48.57，领先所有 4B 和 9B 模型以及 Decider 35B-A3B 的 47.11，支持文本与图像输入；d1-omni-600M 支持文本加图像或文本加音频。
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行性。
微软研究院开源 Agent Lightning v1.0，一个约 3500 行代码的轻量智能体强化学习框架，提出 Harnessed Agentic RL 范式，让部署时使用的同一 agent harness 直接参与训练，无需在训练框架内重写智能体。
推荐理由：微软研究院开源 Agent Lightning v1.0，给出真实 harness 参与 RL 训练的设计取舍与实测增益，可据此判断自建智能体训练链路的成本。
Google DeepMind 发布 EmbeddingGemma 2，一款基于 Gemma 4 架构、Apache 2.0 许可的开源多模态嵌入模型，参数量 740M，可把文本、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，便于判断本地多模态检索的可行性。
Ai2 开源 AstaBrief 8B，一个把研究问题和检索到的文献片段转成带引用报告的模型，基于 Qwen3-8B 训练，已作为 Asta 的 Fast 模式上线并开放权重与训练数据。
推荐理由：原文给出了训练数据构造与过滤细节，以及 Fast 模式与 Thinking 模式的实测耗时对比，可据此判断小模型做科研报告生成的可行边界。
Google DeepMind 发布 SynthID Bio，将水印技术引入合成生物学，把不可感知的签名直接嵌入生物代码，使水印不仅能在数字模型上验证，也能在合成出的实体蛋白质上验证，同时保持其生物功能。
推荐理由：DeepMind 把水印从数字内容延伸到合成生物，读者可了解其原理、湿实验验证结果与开源范围。
微软研究院对移动操作机器人工作负载做了系统性测量，发现把物理 AI 推理从机器人端侧 GPU 卸载到边缘或云端 GPU，可提升任务成功率、支持更大模型并延长续航。
推荐理由：微软研究院系统测量了机器人端侧 GPU 推理的瓶颈，并给出可复用的卸载工具链，读者可据此判断物理 AI 的部署取舍。
Berkeley Sky Lab 与 IBM Research 将进化式内核搜索框架 K-Search 扩展到 MLX，通过结构化的 CUDA-to-MLX 翻译层，让已有 CUDA 内核成为知识库并适配为 Apple Silicon 内核。
推荐理由：读者可以看到 CUDA 内核经验如何被结构化迁移到 Apple Silicon，以及翻译层对性能差距的具体贡献。