Mistral 发布 Mistral-Medium-3.5-128B-EAGLE 推测解码模型
Mistral 发布 Mistral-Medium-3.5-128B-EAGLE，用于为 Mistral Medium 3.5 执行推测解码。
推荐理由：原文同时给出模型规格、替代关系和 vLLM/SGLang 部署方式，便于评估统一模型的接入成本。
Agent 智能体
全部主题让模型自主规划、调用工具、完成多步任务的技术方向——从 Claude Code、Manus 到各家 Agent 框架与评测基准的全部动态。
最新精选
第 81–88 条 · 共 88 条mistralai · Hugging Face 新模型精选AI 评分7777
Cognition Blog精选AI 评分7070 Devin 更新自助服务套餐，推出 Free、Pro、Max、Teams 和 Enterprise
Cognition 本周将更新 Devin 自助服务定价，停用旧 Core 和 Team 套餐，改为 Free、Pro、Max、Teams 和 Enterprise。
推荐理由：原文列出新旧套餐迁移和用量计费口径，可帮助团队预估 Devin 采用成本变化。
moonshotai · Hugging Face 新模型精选AI 评分8383 Moonshot AI 开源 Kimi-K2.6 原生多模态智能体模型
Moonshot AI 在 Hugging Face 发布 Kimi-K2.6，这是开源的原生多模态智能体模型。该模型采用 MoE 架构，Total Parameters 1T、Activated Parameters 32B、Context Length 256K，支持长周期编码、coding-driven design、Agent Swarm、图像和视频输入。
推荐理由：原文同时给出模型结构、评测表和部署入口，便于对比其在编码与智能体任务中的定位。
Google DeepMind精选AI 评分8484 Google DeepMind 发布 Gemma 4 开放模型家族
Google DeepMind 发布 Gemma 4 开放模型家族，包含 E2B、E4B、26B MoE 和 31B Dense，面向高级推理和智能体工作流，并采用 Apache 2.0 license。
推荐理由：原文同时给出模型尺寸、端侧部署方式和生态入口，便于比较开放模型在硬件约束下的能力取舍。
Cognition Blog精选AI 评分7070 Cognition 如何用 Devin 构建 Devin
Cognition 介绍了内部如何用 Devin 构建 Devin，上周将 659 个 Devin PR 合并进自家代码库，高于 2025 年最好一周的 154 个。
推荐理由：文章拆解了 Cognition 内部把 Devin 接入 PR、工单、日志和数据分析的工作流，可迁移到工程团队的智能体落地。
moonshotai · Hugging Face 新模型精选AI 评分8585 Moonshot AI 发布 Kimi-K2-Thinking 开源推理模型
Moonshot AI 发布 Kimi-K2-Thinking，称其为最新、能力最强的开源 thinking model，支持逐步推理并动态调用工具。该模型为 MoE 架构，总参数 1T、激活参数 32B、上下文长度 256K，原生 INT4 量化，称可在低延迟模式下实现无损 2x 加速，并在 200–300 次连续工具调用中保持稳定。
推荐理由：原文同时给出架构参数、评测设置和部署入口，便于比较开源推理模型的长程工具调用能力。
Mistral AI精选AI 评分6565 Mistral AI 为 Le Chat 推出 Memories beta 和 Memory Insights
Mistral AI 为 Le Chat 推出 Memories beta，让助手自动保存有用信息，并在调用记忆时显示来源链接、相关性和正在使用的记忆。用户可以随时关闭 Memories、开启不使用记忆的隐身聊天、编辑或删除单条记忆，并导出或从其他地方导入记忆。
推荐理由：原文说明了 Le Chat 记忆功能的可见性和控制项，可帮助评估长期上下文如何进入助手工作流。
moonshotai · Hugging Face 新模型精选AI 评分8585 Moonshot AI 发布 Kimi-K2-Instruct，1T 参数 MoE 模型面向 Agent 能力
Moonshot AI 发布 Kimi-K2-Instruct，这是 Kimi K2 的后训练版本，面向通用聊天和 agentic experiences。Kimi K2 是 MoE 语言模型，拥有 1T 总参数、32B 激活参数、128K 上下文窗口，并在 15.5T tokens 上预训练。
推荐理由：材料同时给出架构参数、基准对比和部署方式，便于评估 Kimi K2 的编码与工具调用定位。