AnyLanguageModel 1.0 发布：Apple 平台上一年的本地模型实践
AnyLanguageModel 推出 1.0 版本，这个兼容 Apple Foundation Models API 的替代方案可让开发者自由选择本地或托管模型，同版本还发布了 swift-huggingface 1.0 和 swift-xet 1.0。新版本支持 OpenAI、Anthropic、Google Gemini、Ollama 等托管服务商，并已在 Linux 上运行。
#Hugging Face
Hugging Face Blog Hugging Face Blog PyTorch 2.15 发布 MPS 后端更新：支持 FP8、MoE 解码提速 5–6.5 倍
Hugging Face 的 PyTorch 团队发布 PyTorch 2.15 的 MPS 后端更新，在 Mac 上新增 torch.float8_e4m3fn 张量与 F.scaled_mm。
AWS Machine Learning Blog AWS 新版注册体验上线：新用户几步即可进入 SageMaker Studio
AWS 宣布新客户可用 Google、GitHub、Apple、Amazon 账号或邮箱，在 2–3 步内注册并自动进入配置好的 SageMaker Studio 环境，环境创建约 20 秒。
Hugging Face Blog精选 Hugging Face 推出 TorchNeuron 后端，可直接在 AWS Trainium 上运行模型
Hugging Face 宣布为 PyTorch 在 AWS Trainium 上提供原生后端 TorchNeuron，2026 年 10 月 20 日起进入公测，可通过 pip install torch-neuronx 安装。
推荐理由：Hugging Face 官方说明了 TorchNeuron 后端如何替换 Optimum Neuron，并给出可直接复用的推理与训练代码。
Hugging Face Blog NVIDIA 与 AI4Bharat 发布 2.8 万亿 token 的 Indic 预训练语料及开放数据生成流水线
NVIDIA 联合 IIT Madras 的 AI4Bharat 实验室发布 Nemotron-pretraining-Indic-v1，约 2.8 万亿 token 覆盖 22 种印度语言，并将于近期开放。
Hugging Face Blog精选 Reflection 开源 501B 参数 MoE 模型 Beam，支持 1M 上下文与 Agent 场景
美国新实验室 Reflection 在 Hugging Face 发布其首个模型 Beam，这是一个 501B 参数的 MoE 模型（每 token 激活 23B），采用 Apache 2.0 许可，支持 1M token 上下文窗口，面向编码与 Agent 场景。
推荐理由：原文给出 Beam 的架构细节、长上下文缓存数据和多精度基准，可用于判断自托管前沿模型的实际部署门槛。
Hugging Face Blog精选 IBM 发布 Granite Switch 4.1：单端点提供对话、决策与语音能力
IBM 发布 Granite Switch 4.1，包含 8B 和 30B 两个版本，把通用决策 aLoRA、面向安全决策的 Guardian aLoRA 以及 OpenASR 榜单上最快的 ASR 模型 Granite-Speech-5.0-Turbo-CTC 组合进同一个模型，通过一个托管端点处理对话、决策和语音转写任务。
推荐理由：原文给出了同一端点上组合对话、决策与语音能力后的显存占用和推理速度变化，读者可据此判断多能力复用的成本。
Hugging Face Blog精选 Black Forest Labs 的 FLUX.3 Image Klein 上线 Diffusers
Black Forest Labs 发布 FLUX.3 Image Klein，Diffusers 首日即支持运行；单一模型同时覆盖文生图、多参考图生图和基于边界框的布局控制。
推荐理由：Diffusers 首发支持 FLUX.3 Image Klein，并给出了速度、显存和架构细节，可作为评估该图像模型落地成本的参考。
Hugging Face Blog精选 Meta 发布开源权重多模态 MoE 模型 Muse Spark Open
Meta 发布开源权重模型 Muse Spark Open，这是一个约 816B 总参数、每 token 约 42B 激活的混合专家模型，支持文本、图像、音频和视频输入，上下文窗口最高 1M tokens。
推荐理由：Meta 公开了 816B 总参数、约 42B 激活的多模态 MoE 权重，并给出 transformers、vLLM、SGLang、llama.cpp 的部署与微调做法。