Hugging Face 官方博客宣布 Sentence Transformers v6.0 新增第四种模型类型 MultiVectorEncoder，支持 ColBERT 式 late interaction 检索，任何 PyLate 和 Stanford-NLP ColBERT checkpoint 可直接加载，colpali-engine 模型也可用于视觉文档检索。
推荐理由：官方教程覆盖加载、评分、索引与压缩的完整链路，读者可以据此判断多向量检索是否值得引入自己的搜索栈。
Hugging Face 构建了一个约束感知 GPU 分配器，并在七个基准场景中与 FIFO 调度器对比。在相同硬件与相同负载下，GPU 利用率最多提升 33 个百分点（如 8 GPU 训练型负载从 53.6% 升至 87.0%），优先级加权产出在每个场景均上升，最高达 105%，平均 52%。核心改法是把实时推理需求按曲线逐时间步分配、批类任务按优先级跨整个调度周期放置，而非按到达顺序分配。
Hugging Face 演示了 Strands Robots（AWS 开源 SDK）中的流式数据闭环：一个 Agent 用 LeRobot 格式录制机器人示范并同步到 Storage Buckets。
Hugging Face 的 ALTK-Evolve 与 ACE 同为将智能体历史轨迹转化为可复用经验、推理时注入而无权重更新的代理记忆系统，两者都拒绝压缩经验，差异在交付方式。
DharmaOCR 在巴西葡萄牙语 OCR 基准上以 0.925 分超越更新的 Mistral OCR4（0.798）和 Unlimited-OCR（0.7587），验证了领域专业化的优势。该模型通过监督微调对齐巴西葡萄牙语的词汇与文档结构，再用 DPO 抑制重复或不连贯输出，实现最低退化率。文章指出，生成式 OCR 的可靠性取决于参数如何集中分配于单一领域，而非更大架构。
IBM Research 团队撰文指出，把模型路由当作分类问题在 Agent 系统里行不通，实际是成本、质量、延迟的多目标系统优化。
Hugging Face 发布 Profiling in PyTorch 系列第三篇，在 NVIDIA A100 上用 profiler 对比朴素 attention、in-place 掩码、SDPA math/efficient/flash/cuDNN 六种实现的 trace。
推荐理由：原文用 profiler 实测六种 attention 实现的内核差异，读者可以学会从 trace 里读出 inplace 省一次拷贝、SDPA 各后端的真实代价。
Hugging Face 详解 PRX 图像生成模型的数据管道：混合公开与内部数据集做预训练，用 VLM 重新生成长描述文本，再转成可流式训练语料。文本编码器已换为 Qwen3-VL 并改为训练时在线计算 text latents，吞吐仅损失约 3–4%。图像统一以 JPEG quality 92 编码，数据用 Lance 构建、以 MDS（Mosaic Streaming）流式供训练。
Mistral AI 构建了一个自主智能体，可读取 Rails 源文件、生成或改进 RSpec 测试并在 CI/CD 流水线中无人值守运行。智能体基于 Mistral 开源编码助手 Vibe，通过仓库级 AGENTS.md、按文件类型划分的技能文件和 RuboCop、SimpleCov 自定义工具实现。
Mistral AI 团队排查 vLLM 在 P/D 分离部署下使用 Mistral Medium 3.1、开启图编译时每分钟约 400 MB 的内存泄漏。
推荐理由：原文完整记录从 pmap、BPFtrace 到 GDB 逐层定位泄漏的过程，可迁移到类似的内核级推理服务调试场景。
Mistral AI 发布教程，展示如何用 Mistral 微调 API 和 LaPlateforme UI，通过 LoRA 对 Pixtral-12B 在 Aerial Image Dataset (AID) 卫星图像分类任务上做领域微调。
Mistral 介绍用“LLM As A Judge”评估 RAG 系统的方法：由 judge LLM 按数值、二元或定性量表为 generator LLM 的答案打分。
Mistral AI 推出 TranscriptToPRDTicket 智能体工作流，可自动将会议记录转为 PRD 和可执行开发工单。该工作流由 PRDAgent 和 TicketCreationAgent 两个组件构成，均由 Mistral Large 2 驱动，可自动在 Linear、Jira 等项目管理工具中创建结构化工单。完整实现已通过 Google Colab notebook 提供。