Mistral 在慕尼黑开设德国中心，推进工业 AI 与 Physics AI
Mistral 在慕尼黑开设德国中心，组建专注 Physics AI 与工业 AI 的研究团队，并计划到 2030 年建成 1 吉瓦欧洲算力。该中心将携手 BMW 开展碰撞仿真与工程 AI 合作、与 Siemens Energy 推进工业 AI 应用，并与慕尼黑工业大学（TUM）合作利用风洞设施开发汽车空气动力学数字孪生。
#部署/工程
Mistral AIAI 评分4040
GitHub Blog · AI & MLAI 评分4848 GitHub Copilot 应用入门：如何用 canvases 构建自定义工作流
GitHub Copilot 应用中的 canvas（画布扩展）是一种可自定义界面，用户只需在 agent 会话中输入 /create-canvas 并用自然语言描述需求，agent 即可生成看板、发布清单或仪表盘等界面。
GitHub Blog · AI & MLAI 评分3838 GitHub Copilot 为什么说聊天框是错的 UI：用 canvas 构建自定义交互界面
GitHub Copilot 提出 canvas 概念：一种运行在 GitHub Copilot 应用内、无浏览器外壳的全栈小应用，可与 agent 双向通信，也能调用第三方 API 并在本地执行代码。官方举例包括用 canvas 做 Connect 4 游戏、Winget 包管理界面和 SQLite 操作界面，并称用 agent 构建工具比反复对话更省 token。
Microsoft Research精选AI 评分6262 微软研究院：把机器人推理卸载到边缘或云端可提升任务成功率与续航
微软研究院对移动操作机器人工作负载做了系统性测量，发现把物理 AI 推理从机器人端侧 GPU 卸载到边缘或云端 GPU，可提升任务成功率、支持更大模型并延长续航。
推荐理由：微软研究院系统测量了机器人端侧 GPU 推理的瓶颈，并给出把推理卸载到边缘或云端的开源工具链。
Mistral AIAI 评分3838 Mistral 与 Cloudera 达成合作，将主权 AI 引入企业数据平台
Mistral 与 Cloudera 宣布合作，将 Mistral 模型集成进 Cloudera 混合数据平台，支持企业在私有云、公有云、本地及完全气隙环境中部署推理并保持完全控制。企业可在受控环境中用专有数据训练定制模型，并基于开放权重拥有数据和由此产生的智能。Cloudera 平台承载 30 exabytes 客户管理数据。
Mistral AIAI 评分3838 Mistral 用 AI 智能体将 4 万行 Fortran 77 迁移至 C++
Mistral 帮助一家欧洲能源运营商将 4 万行 Fortran 77 代码迁移为 C++，对象是一个无测试套件、无集中文档的物理密集型油藏模拟器。其做法是先构建数值一致性校验框架，再用 Vibe CLI 调度上百个智能体解析调用树并生成文档，最终采用人工监督 coder、tester、reviewer 智能体工作流逐模块迁移。
Mistral AI精选AI 评分6969 Mistral 发布 Agentic Search，用多步检索循环提升文档问答准确率
Mistral 发布 Agentic Search，一种面向企业复杂文档的多步检索层，通过 search、open、navigate、read、grep 五个工具让模型在索引之上迭代查找并核对证据，已集成进 Mistral Search Toolkit 以及 Studio 和 Vibe 的 Libraries。
推荐理由：原文给出多步检索循环的五个工具与两组基准数字，可据此判断它相对一次性 RAG 的取舍。
Berkeley AI Research精选AI 评分6060 从 CUDA 到 MLX：K-Search 如何把内核优化经验带到 Apple Silicon
IBM Research 与 UC Berkeley Sky Lab 将 K-Search 进化式内核搜索框架扩展到 MLX，通过结构化的 CUDA-to-MLX 翻译层把已有 CUDA 内核知识迁移到 Apple Silicon。
推荐理由：原文给出跨平台内核迁移的具体方法与实测数据，读者可据此判断 CUDA 经验能否复用到非 NVIDIA 硬件。
Berkeley AI ResearchAI 评分3636 智能免费之后怎么办？面向智能体、由智能体运行、由智能体构建的数据系统
伯克利 EPIC Data Lab 提出近零推理成本时代数据系统面临三大挑战：面向智能体（For Agents）、由智能体运行（Of Agents）、由智能体构建（By Agents）。GPT-4 级能力从 2023 年初约 $30/百万 token 降至如今不到 $1，部分厂商已低于 $0.10，推理价格年降幅在 9x 到 900x 之间、中位数约 50x。
Berkeley AI ResearchAI 评分3838 自适应并行推理：高效推理扩展的下一范式
伯克利 AI 研究团队综述了并行推理领域进展，重点分析自适应并行推理——让模型自行决定何时分解并并行化独立子任务、生成多少并发线程以及如何协调。现有方法如 Self-consistency、Best-of-N、Tree of Thoughts、MCTS、ParaThinker、GroupThink、Hogwild! Inference 的并行结构多由外部设定，未教会模型自适应行为。
Berkeley AI ResearchAI 评分3232 GRASP：面向世界模型的梯度规划方法，让长时程规划更稳健
伯克利 AI 研究团队提出 GRASP，一种面向学习型世界模型的梯度规划器，通过将轨迹提升到虚拟状态实现跨时间并行优化、在状态迭代上直接注入随机性以探索、并重塑梯度让动作获得清晰信号，同时避开高维视觉模型中脆弱的“状态-输入”梯度。该方法针对长时程规划中优化病态、非贪心结构导致的局部极小值和高维隐空间失效模式，使基于梯度的规划更稳健。