把模型跑起来的工程实践：推理优化、显存与成本、Serving 架构与基础设施选型。
Google Research 发布 JAX-Privacy 1.0，这是基于 JAX 构建的差分隐私模型训练与审计工具包，支持 DP-SGD、DP-FTRL 和 DP 矩阵分解等算法。该版本面向多加速器和大规模模型训练，提供微批处理、填充、隐私损失审计及 Gemma 系列模型微调示例，并通过 GitHub 和 PIP 开源。
推荐理由：JAX-Privacy 1.0 将差分隐私训练、并行扩展和审计组件整合到 JAX 生态，降低大规模隐私保护机器学习的实现门槛。
Google Research发布Project Suncatcher早期研究，提出由太阳能卫星、Google TPU和自由空间光链路组成的可扩展太空AI基础设施。研究讨论了卫星间达到数十Tbps通信、紧密编队控制和TPU耐辐射等挑战，并报告单组收发器已实现800 Gbps单向传输。Google计划与Planet合作，于2027年初发射两颗原型卫星进行验证。
推荐理由：Google Research将卫星编队、光通信、轨道动力学与TPU耐辐射测试放在同一系统框架中，呈现了太空AI基础设施的关键约束。
Mistral AI 发布 AI Studio，面向企业提供从 AI 原型到生产部署的统一平台。平台由 Observability、Agent Runtime 和 AI Registry 三部分组成，支持评测、反馈追踪、版本管理、治理以及 hybrid、dedicated 和 self-hosted 部署，并开放 private beta 注册。
推荐理由：Mistral 将可观测性、Agent Runtime 和 AI Registry 组合成生产平台，具体呈现了企业从原型走向部署所需的闭环能力。
Mistral AI 宣布完成 1.7B€ 的 Series C 融资，投后估值为 11.7B€，由半导体设备制造商 ASML Holding NV 领投。DST Global、Andreessen Horowitz、Bpifrance、General Catalyst、Index Ventures、Lightspeed 和 NVIDIA 等现有投资者参与本轮融资。
推荐理由：这轮融资同时引入 ASML 的战略合作，原文交代了资金规模、估值及其对工业与半导体场景研发的用途。
Mistral AI 发布 Mistral Compute，为客户提供从裸金属服务器到全托管 PaaS 的私有集成 AI 基础设施栈，包含 GPU、编排、API、产品和服务。该服务将提供 Mistral AI 的训练套件，并计划以 NVIDIA 参考架构供应 tens of thousands of GPUs，强调数据主权、可持续性和对欧洲法规的适配。
推荐理由：Mistral Compute将GPU、编排、API及训练服务整合为私有基础设施栈，重点回应数据主权和区域化部署需求。
Mistral AI 发布 Mistral Small 3.1，改进文本性能和多模态理解，支持最高 128k tokens 上下文，推理速度为 150 tokens per second。
推荐理由：Mistral Small 3.1 同时覆盖长上下文、多模态和低延迟部署，并提供 base 与 instruct 检查点，适合比较开源小模型的实用取舍。
Mistral AI 推出 la Plateforme 免费层，全面下调模型 API 价格，并发布 22B 参数的 Mistral Small v24.09。Pixtral 12B 现可在 le Chat 免费使用，支持扫描、分析、搜索和描述图像及知识文件，并采用 Apache 2.0 许可证。
推荐理由：这次更新同时覆盖免费 API、模型降价、Mistral Small v24.09 和 Pixtral 12B 图像能力，便于比较不同部署与成本选择。
Mistral AI 在 la Plateforme 推出模型定制能力，提供开源的 mistral-finetune SDK、无服务器微调服务和定制训练服务。mistral-finetune 基于 LoRA，托管微调服务目前兼容 Mistral 7B 和 Mistral Small，并支持使用客户专有数据进行定制训练。
推荐理由：Mistral AI 同时提供开源 SDK、托管服务和定制训练三种入口，覆盖从本地微调到企业专属数据训练的不同需求。
Mistral AI 发布带有开放权重和Apache 2.0许可的 Mixtral 8x7B，并同步推出 Mixtral 8x7B Instruct。模型总参数量为46.7B，每个 token 使用12.9B参数，官方称其在多数基准上达到或超过 Llama 2 70B 和 GPT3.5，推理速度提升至6x。
推荐理由：Mixtral 8x7B同时公开权重与Apache 2.0许可，并用稀疏专家架构控制推理成本，适合比较开放模型的性能与部署取舍。