Anthropic 已在 GitHub 发布一个公共仓库，其中包含其面向 Claude 的 Agent Skills 实现，以及模型可动态加载的说明、脚本和资源，以便在创意、技术和企业工作流中可重复地执行专门任务。该仓库还指向 agentskills.io 上更广泛的 Agent Skills 标准，表明其正推动可复用、可移植的智能体能力，而非一次性提示词。这可能加速标准化，并使企业智能体部署更易于审计、共享和复现。
GitHubAnt Ling 推出了 Ling-3.2-flash，这是一个原生多模态专家混合模型，总参数 560B，激活参数 25B，并具有支持文本、图像和视频输入的 1M token 上下文窗口。报告的基准测试分数包括 MathVision 96.80、OmniDocBench 1.5 92.21 和 AndroidWorld 85.63，同时还展示了 PDF 转代码、GUI 操作、3D 重建和多智能体工作流。文档同时记录了 OpenAI 和 Anthropic 兼容的 API 访问方式，将该发布定位为长上下文多模态智能体应用。
RedditNace 发布了 Drex Max v1.1，这是一款多模态决策模型，其称根据 Artificial Analysis 达到了最先进结果并位于帕累托前沿。该公司还在论文中发布了训练细节，在 Hugging Face 上提供了此前的开放权重，并计划通过 Kapitsa 提供支持本地 Mac 推理的 v1.1 权重；该模型支持约 256K 上下文窗口。这一声明为新兴的多模态决策模型细分领域增添了竞争压力，其中基准排名和可部署性都很重要。
RedditVFlash 引入 Flash Primitive Decoding，以降低为物理 AI 任务生成点、边界框和轨迹的逐 token 成本，目标是在机器人和自动驾驶中实现更快、更准确的视觉规划。
Hugging FaceSLA 是一个空间-语言-动作基础模型，通过在广泛的机器人经验上进行持续预训练来学习可迁移的 3D 空间理解，旨在将空间推理从任务特定适配转变为基础模型的通用能力。
Hugging FaceHarness-S 使用多个同级 harness 变体来选择性地挽救失败，并将能力迁移到单一策略中，使其在原始 harness 下仍然有效，解决 harness 演化中的局部性、互补性和非平稳性问题。
Hugging Face一项据称使用 Apertus-8B 的持续学习实验将四天真实新闻保留在权重中，第 1 天准确率为 90.7%，而反复训练的 LoRA 为 26.7%，同时 GSM8K 保持在基线附近；不过该方法未公开，并计划进行封闭复跑。
RedditGoogle Research 的 Muir 使用敏感度分配门控和匹配滤波读出，将 10M token 历史压缩为 25MB 状态，同时提升回看范围和门控效率，解决慢通道眩光以及写入-擦除敏感性问题。
RedditHugging Face 的指南涵盖硬件测试、稠密基线、MoE 层内部结构、服务和 RL，并附有来自约 80 万 GH200 GPU 小时的代码和建议，使前沿 MoE 训练更可复现。
RedditBoson AI 的 45B MoE 模型可边听、边看、边说，同时运行后台思考、工具调用和任务委派，以 160 毫秒块处理音频、视频、人脸和文本；该模型非开放权重，Duplex API 访问需通过候补名单。
Reddit