开源生态

推荐理由：Nested Learning 提出了一种新的机器学习范式，旨在解决持续学习中的灾难性遗忘问题，通过实验验证了其在语言建模和长期记忆管理方面的优势。

推荐理由：原文提出了 ForestCast 模型，并提供了公开数据集，有助于推动森林砍伐风险评估技术的发展。

推荐理由：原文提出了基于太空的可扩展人工智能基础设施系统设计，读者可以了解其潜在影响和挑战。

推荐理由：介绍了可证明隐私洞察（PPI）系统，该系统利用大型语言模型、差分隐私和可信执行环境来分析非结构化 GenAI 数据，同时保证个人数据不可查见且汇总洞察匿名。

推荐理由：原文详细描述了中国在AI芯片和模型方面的进步，以及这对全球AI生态系统的影响，读者可以了解中国AI产业的最新动态和趋势。

推荐理由：Hugging Face 与 VirusTotal 的合作增强了 Hugging Face Hub 上共享文件的安全性，有助于保护机器学习社区免受恶意或受损资产的影响。

推荐理由：该研究通过构建一个社区驱动的食品过敏研究实验室，展示了人工智能在食品过敏研究中的应用潜力，为研究人员、临床医生和患者提供了有价值的资源。

推荐理由：该数据集旨在解决印度AI领域的数据差距问题，为开发者提供更符合印度社会和文化背景的AI训练数据，具有实际应用价值。

推荐理由：介绍了如何将 dots.ocr 模型转换为 Core ML 格式并在 Apple 设备上运行，对开发者具有参考价值。

推荐理由：NVIDIA 发布了 Nemotron-Personas-Japan 数据集，为日本 AI 开发提供高质量、多样化的训练数据，有助于构建更符合日本文化和社会的 AI 系统。

推荐理由：SAIR 数据集的发布为药物研发提供了新的数据资源，有助于加速新药研发进程。

推荐理由：NVIDIA 发布了 600 万个多语言推理数据集，读者可以了解数据集的构建方式和模型的应用场景。

推荐理由：Kimina-Prover-RL 是一个开源的训练管道，旨在训练大型语言模型解决 Lean 4 中的形式化证明目标，读者可以了解其结构和应用场景。

推荐理由：OpenAI 发布了两个开源的推理模型 gpt-oss-120b 和 gpt-oss-20b，读者可以了解这些模型的能力和适用场景。

推荐理由：AI-Q 模型在 DeepResearch Bench 的评测中取得了优异成绩，展示了开源 AI 生态在真实场景中的强大能力。

推荐理由：3LM 作为首个针对阿拉伯语 LLM 在 STEM 和代码生成领域的基准，为评估阿拉伯语模型在特定技术领域的表现提供了新的工具。

推荐理由：Mistral 开源 Voxtral 语音理解模型，提供 24B 和 3B 两种规格及 API 服务，以低于竞品一半的成本实现高精度转录与语义理解。

推荐理由：Mistral 联合 All Hands AI 推出 Devstral Medium 及升级版 Small 1.1，在 SWE-Bench Verified 上刷新开源模型纪录，并提供极具竞争力的 API 定价。

推荐理由：SmolLM3 是一个开源的 3B 模型，具有多语言和长上下文推理能力，读者可以了解其性能和工程细节。

推荐理由：原文详细介绍了KV Caching在nanoVLM中的实现，读者可以学习到如何优化自回归语言模型的生成效率。