自动盯住上百个信源，用模型摘要、打分、精选，把同一件事的多篇报道归到一起，每天早上出一份日报。聚焦机器人、AI 与财经投资。
月之暗面正式推出Kimi K3.1 Pro系列首个模型，这是公司迄今能力最强的3万亿级参数模型，支持100万上下文。在Terminal-Bench 4.0编程智能体测评中，K3.1 Pro得分65.7%，超过GPT-6 Astra的58.2%；在3D建模方面，BenchCAD基准测试得分92.7%，接近Claude Opus 5.5的96.2%。
推荐理由：编程智能体测评超越GPT-6，3D建模能力接近Claude Opus，事实错误率大幅降低，显示中国模型在专业领域快速追赶。
AWS发布多轮强化学习(MTRL)教程，指导用户如何在SageMaker AI上训练AgentCore智能体，使其能够处理需要序列决策的任务。教程以Wordle游戏为例，展示了从环境部署、数据准备到模型训练和评估的完整流程，使用GPT-OSS-20B模型将解决率从61%提升到84%，训练成本约339美元。
推荐理由：多轮强化学习让模型从单次回答转向序列决策，AWS教程展示了如何用SageMaker训练AgentCore智能体。
Hugging Face 发布 OlmoEarth v1.3 卫星嵌入模型，提供预计算的全球年度嵌入向量（10米分辨率，64和128维度），并推出基于浏览器的 OlmoEarth Embeddings Explorer 工具。该模型在27项评估中超越 AlphaEarth Foundations 和 Tessera v2，训练成本仅为前版本的53%，碳排放减少50%。
推荐理由：预计算全球卫星嵌入向量让遥感分析从GPU依赖变成轻量级任务，效率提升的同时降低了技术门槛。
中国电信人工智能科技有限公司星辰通用人工智能实验室发布并开源意图理解专用模型Xing4.0-29B-Intent，同步开放275万条训练语料、模型权重与推理镜像。模型将意图识别与参数抽取结合，支持结构化输出，已在电信万号客服、智能家居音箱等终端产品中应用。评测显示，该模型在意图分类、实体检测等任务上表现优于18款市面主流通用模型。
推荐理由：专用小模型在意图理解上超越通用大模型，证明垂直场景的轻量化模型有独特价值。
IBM Research 发布 Granite Timeseries Ensemble，结合四种互补架构的时间序列模型，提供概率集合和四分位范围集合两种预测方法，无需重新训练即可获得中位数和分位数预测结果。该模型在 GIFT-Eval 数据集上表现优于单个成员模型，并支持扩展添加其他兼容预测器。
推荐理由：IBM 发布 Granite Timeseries Ensemble，将四种互补架构合并为一个预测接口，减少模型选择的不确定性。
NVIDIA 发布 Earth-2 开源 AI 模型家族，包括 StormScope EU 等区域模型，支持全球天气预测、区域预报和环境研究。AXA、Vaisala Xweather、曼彻斯特大学等机构已将其应用于气旋风险评估、空气质量建模和太阳能预测等领域。
推荐理由：开源气象模型家族让欧洲本地化预报成为可能，接下来看各行业如何结合专有数据创造新应用。
NVIDIA发布Kumo Relational，这是一种预训练的关系基础模型，可直接在企业数据库上进行预测，无需任务特定训练、特征工程或表格扁平化。该模型在41项任务中超越监督学习模型，在SAP SALT企业基准测试上比AutoGluon集成模型高出8%的平均倒数排名(MRR)，可扩展至500B+行数据库的规模。
推荐理由：无需训练即可直接在企业数据库上进行预测，Kumo Relational在41项任务中超越监督学习模型，标志着结构化数据基础模型的新阶段。
Hugging Face 博客介绍了 VocabX 方法，通过按成本而非频率重构词汇表，在保持基础模型不变的情况下，将葡萄牙语作文评分系统的推理成本降低77%，同时提高了评分质量。该方法在多个领域和模型家族中都优于现有参考方法。
推荐理由：通过按成本而非频率重构词汇表，VocabX 在保持模型不变的情况下降低推理成本77%，为小模型领域专业化提供新思路。
NVIDIA 发布 Kumo Forecast（前称 NV-Tesseract Forecasting）多变量时序预测模型，结合预训练 Transformer 与领域感知表示检索（DARR），提供直接预测与历史模式检索两种路径，并包含可解释性框架。模型基于 MOMENT-1-large，约 3.4 亿参数，支持 256/512/1024/2048 观测长度输入，采用 Apache 2.0 许可证。
推荐理由：将预训练模型与历史模式检索结合，为时序预测提供可解释性，这是工业预测的新思路。
Mistral AI 发布了 Timestral，首个时间序列基础模型家族，最大仅 209M 参数，在 GIFT-Eval、TIME 和 fev-bench 三大基准上排名第一。该模型支持多元预测和协变量，提供四种尺寸选择，可在 CPU 上高效运行，并支持零样本预测。
推荐理由：原文给出了能力变化和开放入口，读者可以据此判断它会怎样改变现有工作流。
Hugging Face发布HiRO-ACEv2系统，能以X-SHiELD约1/300的成本生成全球3公里气候数据，准确模拟极端降雨、风压事件，并已生成完整一年全球数据。
推荐理由：HiRO-ACEv2以低成本高精度模拟极端天气，为气候研究提供新工具。
Google Research推出地球AI的人口动态基础模型(PDFM)，将隐私保护的搜索趋势、人类流动性和环境因素等信号整合为位置嵌入，可直接插入现有流行病学工作流，在多种疾病预测中表现优于传统数据源。
推荐理由：原文提供了地球AI模型在公共卫生领域的实际应用案例和数据验证结果。
Hugging Face 开源 AstaBrief 8B 模型，可将研究问题和检索到的文献摘要转化为带引用的报告。该模型在 Asta 平台的 Fast 模式中可用，报告生成速度比 Thinking 模式快约 3.5 倍，平均每份报告需 51.1 秒。模型和训练数据已开源，支持本地部署。
推荐理由：原文给出了开源模型的具体性能提升和应用场景，读者可据此评估其在科研报告生成中的实用价值。
Google Research 发布了新一代联邦学习系统，利用可信执行环境(TEEs)提供完全可验证和可审计的数据匿名化保证。该系统已在Gboard上部署，实现了更强的隐私保证和改进的准确性，同时显著加快了计算速度。
推荐理由：原文介绍了基于可信执行环境的联邦学习系统升级，提供了更强的隐私保证和可验证性。
NVIDIA 发布 Kumo Tabular 开源基础模型，专为表格数据分类和回归任务设计，无需训练、调优和特征工程即可直接预测新行标签。
推荐理由：原文提供了开源模型的技术架构和性能数据，读者可据此评估其在表格预测任务中的实际应用价值。
NVIDIA与Google DeepMind等机构合作，通过AlphaFold2和BioNeMo优化技术，预测并开放了2800多种病毒蛋白复合物的3D结构，这些数据已通过AlphaFold数据库向全球研究人员开放。
推荐理由：原文提供了开放病毒蛋白结构数据集及其生成方法，为全球研究人员应对未来大流行病提供了关键工具。
Microsoft Research 在 Nature 期刊发表 RetroChimera 模型，该模型结合两种互补模型提高小分子合成预测质量，已在 GitHub 开源。
推荐理由：原文提供了模型架构和验证结果，读者可据此评估其在药物研发和材料设计中的应用潜力。
Google DeepMind推出AlphaGenome Atlas平台，包含人类基因组中90亿种单核苷酸变异的预测，并提供AVI评分系统帮助研究人员快速评估变异影响。该平台已用于罕见疾病研究和复杂性状关联分析，可通过网站门户、API和Google Antigravity访问。
推荐理由：原文提供了9亿种DNA变异预测和AVI评分系统，为基因组研究提供全面资源。
Google DeepMind 发布 WeatherNext 3，这是目前最先进和准确的全球天气AI模型，集成了实时卫星数据，每小时更新，分辨率更高，提供精确的降水预报和清洁能源变量。该模型已集成到Google搜索、Gemini、地图、Google Maps Platform和Cloud中，通过独立评估显示其预测精度显著提升，特别是在降水预报方面比前代模型提高60%。
推荐理由：原文给出了能力变化和开放入口，读者可以据此判断它会怎样改变现有工作流。
Microsoft Research 发布了 GigaPath-Flash 和 GigaTIME-Flash 模型，通过知识蒸馏技术将原始模型的计算需求降低约 50 倍和 8 倍，同时保持或提升性能。这些开源模型支持对大规模癌症患者队列进行病理分析，帮助研究人员研究疾病生物学、生物标志物和临床结果。
推荐理由：本文介绍了病理学基础模型的效率提升方法，使大规模人群研究成为可能。