全部 AI 精选，可按分级、类型筛选，按关键词搜索。
Harness, Scaffold, and the AI Agent Terms Worth Getting Right
这是一份 AI Agent 术语表，旨在统一那些被混用、改名或缺乏清晰解释的概念，重点涵盖 harness、scaffold 等常被混为一谈的术语。文中提到这些混淆在 ICLR 2026 后被广泛讨论，作者称其并非覆盖全部术语的完整词典，而只聚焦容易被含糊带过的概念。适合刚接触或希望跟上该领域进展的读者。
OlmoEarth v1.1: A more efficient family of Earth observation models
这是 Ai2 发布 OlmoEarth v1.1 版本的文章。文中说明该系列模型用于卫星影像处理与大面积区域预测，相比前代可将计算成本最多降低约 3 倍，并给出模型合集、技术报告和预训练代码的链接。文中提到 v1 版本于 2025 年 11 月发布，合作伙伴已将其用于红树林变化追踪、森林丧失驱动因素分类、国家级作物类型制图等任务。
Introducing the Ettin Reranker Family
Tom Aarsen 发布的文章，推出六个基于 Ettin ModernBERT 编码器的 Sentence Transformers CrossEncoder 重排模型，参数量分别为 17M、32M、68M、150M、400M 和 1B，并公开训练数据与完整训练方法。模型采用蒸馏训练：在以 cross-encoder/ettin-reranker-v1-data 上 mixedbread-ai/mxbai-rerank-large-v2 的分数做逐点 MSE，该数据集是 lightonai/embeddings-pre-training 的子集与 lightonai/embeddings-fine-tuning 中重排子集的混合。文章还包含与多个嵌入模型在 MTEB(eng, v2) Retrieval 上的搭配结果、使用说明和训练说明。
PaddleOCR 3.5: Running OCR and Document Parsing Tasks with a Transformers Backend
PaddlePaddle 团队的文章，介绍 PaddleOCR 3.5 版本使支持的 PaddleOCR 模型可通过 Hugging Face Transformers 作为推理后端运行，设置 engine="transformers" 即可。PaddleOCR 继续提供 PP-OCRv5 等 OCR 模型系列和 PaddleOCR-VL 1.5 等文档解析模型系列；新版本引入更灵活的推理引擎接口，通过 engine 参数选择后端、通过 engine_config 传入后端专属选项，任务流水线仍由 PaddleOCR 管理。文中附有 Hugging Face Spaces 上的在线演示。
Introducing Mellum2: A 12B Mixture-of-Experts Model by JetBrains
这是 JetBrains 发布 Mellum2 的公告。该模型为 12B 参数的混合专家（MoE）模型，从零训练于自然语言与代码数据，每个 token 仅激活 2.5B 参数，采用 Apache 2.0 许可证发布，文中提到其可用于路由、RAG、摘要、子代理、高吞吐编码功能和私有部署。文内附有模型合集与技术报告链接，称其推理速度超过同类规模模型两倍以上。
Reachy Mini goes fully local
这篇教程介绍如何让 Reachy Mini 机器人的对话应用在本地运行整套语音栈，不再把音频发送到服务器。方案基于名为 speech-to-speech 的级联式 VAD → STT → LLM → TTS 流程，提供兼容 Realtime API 的 WebSocket 接口，文中推荐 llama.cpp 搭配 Gemma 4、Silero VAD、Parakeet-TDT 0.6B v3 STT 和 Qwen3-TTS 等组件，并说明各组件可替换。
Nemotron 3.5 Content Safety: Customizable Multimodal Safety for Global Enterprise AI
NVIDIA 发布的博客文章，介绍 Nemotron 3.5 Content Safety 模型。文章指出该模型将多模态输入、多语言覆盖、企业自定义策略执行和可审计推理统一在一次推理调用中，并说明相比 3.5 之前版本（2026 年 3 月发布的 4B 参数 Nemotron 3）的改动、各项新能力的设计取舍，以及如何将模型接入生产安全流程。适合关注企业内容安全模型部署的读者。
Designing the hf CLI as an agent-optimized way to work with the Hub
这篇文章介绍 Hugging Face 官方命令行工具 hf 的重新设计，使其同时服务人类用户和编码智能体（如 Claude Code、Codex、Cursor）。文中说明 hf 可完成模型、数据集、Spaces 的下载上传以及仓库、分支、Jobs、Buckets、Collections 等管理，并通过智能体设置的环境变量识别其调用；作者称在复杂的多步任务中，手工用 curl 或 Python SDK 的智能体消耗的 token 最多可达使用 hf CLI 的 6 倍。
Direct Preference Optimization Beyond Chatbots
这篇文章来自 DharmaOCR 团队，讨论在聊天机器人之外的场景中使用直接偏好优化（DPO）。文中回顾其结构化 OCR 模型 DharmaOCR 的基准结果：在巴西葡萄牙语结构化文档抽取任务中，开源模型家族出现文本退化（重复循环而非转录）的比例从不到 1% 到超过 33% 不等，监督微调虽能降低这一比例但难以达到生产可接受水平，因此提出利用模型自身失败案例构造拒绝对，在 SFT 之后增加第二阶段训练。
From the Hugging Face Hub to robot hardware with Strands Agents and LeRobot
Amazon 的企业文章，介绍把 Hugging Face Hub 上的模型部署到真实机器人硬件的工作流程。文中按步骤说明：搭建示例、录制演示数据并推送到 Hub、在仿真中运行策略、将策略部署到物理硬件、通过 mesh 协调多个机器人，并给出示例应用和安全注意事项。
Profiling in PyTorch (Part 2): From nn.Linear to a Fused MLP
PyTorch 性能分析系列的第二篇文章，探讨从矩阵乘法加加法到 nn.Linear 的实现，涉及为何没有独立的 mul 与 add 内核、--compile 对单个 Linear 的作用、转置在核布局与 pre-ops 中的去向、堆叠三个 Linear 构成 MLP、两类 GEMM 内核的原因、torch.compile 的作用，以及融合 Triton 内核等内容。属于偏底层的 PyTorch 性能与内核分析材料。
We got local models to triage the OpenClaw repo for FREE!*
文章（星号注释说明“免费”不含电费且前提是已拥有硬件）讲述使用 Gemma、Qwen 等本地模型配合 Pi 之类的智能体框架和结构化输出，完成分类任务。作者以开源仓库 OpenClaw 的 issue 和 PR 分诊、优先级排序与分发为起点，说明选择该方案的原因是已有本地模型和框架可用。