用 HuggingChat 的 ML-Intern 在几天内造出六个没人做的模型
作者想做一个 Qwen-Image 2.1 自带 prompt rewriter 的小版本，官方 9B 模型需要约 20GB 显存，于是向 HuggingChat 的 ML-Intern 描述需求，次日就得到了可在 CPU 上运行的 0.8B 版本。
推荐理由：作者用 HuggingChat 的 ML-Intern 在几天内以约 103 美元完成六个模型，给出了可迁移的提示词结构和预算控制方法。
#Hugging Face
Hugging Face Blog精选AI 评分7878 Hugging Face Blog精选AI 评分7272 Liquid AI 开源 d1-3B 与 d1-omni-600M 端侧决策模型
Liquid AI 发布 d1 决策模型系列中的 d1-3B 与实验性 d1-omni-600M。d1-3B 在 Decision Index 0.2.1 上得分 48.57，超过所有 4B 和 9B 模型及 Decider 35B-A3B。
推荐理由：Liquid AI 开源两款端侧决策模型，给出跨设备延迟与基准对比，可据此判断其在边缘场景的可用性。
Hugging Face Blog精选AI 评分7575 微调 Nemotron 在 IOI 与 IMO 双双夺金
Hugging Face 官方博客称，Nemotron 通过监督微调（SFT）、强化学习（RL）与反馈式推理，在 IOI 2026 和 IMO 2026 都达到金牌级成绩。
推荐理由：Nemotron 通过 SFT、RL 与反馈式推理在 IOI 和 IMO 都拿到金牌级成绩，给出了可复用的微调配方。
Google DeepMind精选AI 评分7676 Google DeepMind 发布 EmbeddingGemma 2 开源轻量多模态嵌入模型
Google DeepMind 推出 EmbeddingGemma 2，基于 Gemma 4 架构、Apache 2.0 许可，740M 参数，原生将文本、代码、图像、视频和音频映射到统一嵌入空间。
推荐理由：原文给出参数规模、模块化配置、量化内存和上下文窗口等具体指标，读者可据此判断其端侧多模态检索的适用性。
Hugging Face Blog精选AI 评分8080 微软与 Hugging Face 联合发布 ThinkingBox 智能体基准
微软与 Hugging Face 联合发布 ThinkingBox 智能体基准，通过隔离的 MCP 工具会话运行智能体，对后端终态和副作用打分而非只看生成文本，并在 507 个有状态业务流程上每个任务重复运行 20 次。
推荐理由：微软联合 Hugging Face 发布 ThinkingBox 智能体基准，按后端终态而非生成文本打分并重复 20 次，给出可靠性与成本对比。
Hugging Face Blog精选AI 评分6363 ServiceNow 发布 AutoSynthData 自动生成企业智能体训练数据
ServiceNow CoreAI 推出 AutoSynthData，用目标模型的失败和更强教师的成功决定该学什么，自动生成并校验可执行任务，随模型进步把课程转向仍难的部分。
推荐理由：ServiceNow 官方公布 AutoSynthData 用目标模型失败加更强教师成功自动生成并校验企业智能体训练任务的流程与实验数据。
已经到底了