模型推理能力的进展：思维链、推理模型、数学与逻辑基准的突破与争议。
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。
Google Research 在 Research@ 活动上介绍了 Google Earth AI、DeepSomatic 和 Quantum Echoes 等最新进展，涵盖地理空间推理、癌症基因变异分析和量子计算。
推荐理由：文章以 Google Earth AI、DeepSomatic 和 Quantum Echoes 为例，串联研究突破走向真实应用的路径，并展示智能体与开放工具如何加速科学发现。
Google Earth AI 发布新的 Imagery 和 Population foundation models，并介绍由 Gemini 驱动的 Geospatial Reasoning agent，能够拆解复杂地理问题，调用环境、遥感和人口模型及地理工具完成多步分析。
推荐理由：文章集中呈现了 Earth AI 的模型、智能体编排方式与评测结果，便于理解跨模态地理推理如何结合多源数据处理复杂任务。
Mistral AI 发布首个推理模型 Magistral，提供24B参数的开源 Magistral Small 与企业版 Magistral Medium。Magistral Medium 在 AIME2024 上得分73.6%，多数投票@64时为90%；Small分别为70.7%和83.3%。
推荐理由：Magistral同时提供开源与企业版本，并公布AIME2024成绩和部署入口，便于比较其推理能力、透明性与实际使用路径。
Mistral AI 与 All Hands AI 发布面向软件工程任务的智能体大语言模型 Devstral，并以 Apache 2.0 许可证开源。Devstral 在 SWE-Bench Verified 上取得 46.8% 的成绩，较此前开源 SoTA 模型高出 6 个百分点以上；模型可在单张 RTX 4090 或 32GB RAM 的 Mac 上运行。
推荐理由：Devstral 同时给出 SWE-Bench Verified 成绩、部署条件与 Apache 2.0 许可，便于比较其编码能力和实际使用门槛。
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 发布 Pixtral Large，这是一个基于 Mistral Large 2 的 124B open-weights 多模态模型，配备 1B 参数视觉编码器和 128K 上下文窗口。
推荐理由：Pixtral Large 将图像理解、文档与图表分析纳入 Mistral Large 2 体系，并公布了多项基准结果与使用入口。
Mistral AI 发布 Ministral 3B 和 Ministral 8B，面向端侧计算与边缘场景，支持最高 128k 上下文窗口。Ministral 8B 使用交错滑动窗口注意力以提升推理速度和内存效率，两款模型可用于本地翻译、离线智能助手、分析、机器人及多步 Agent 工作流。
推荐理由：Ministral 3B 和 8B 面向端侧与边缘计算，兼顾低延迟、隐私和多步智能体工作流，适合关注小模型部署的人了解其定位。
Mistral AI 发布原生多模态模型 Pixtral 12B，采用400M参数视觉编码器和基于 Mistral Nemo 12B 的多模态解码器。模型支持可变图像尺寸、任意数量图像及128k tokens上下文，在 MMMU 上 đạt52.5%，并提供 Apache 2.0 许可，可通过 Le Chat、La Plateforme、mistral-inference 或 vLLM 使用。
推荐理由：Pixtral 12B同时覆盖图像理解与文本任务，原文还给出了128k tokens上下文、Apache 2.0许可及本地运行方式。
Mistral AI 发布 Mistral Large 2，提供 128k 上下文窗口、123B 参数和 80+ 编程语言支持，并面向单节点推理优化。模型强化了编码、推理、指令遵循、函数调用和多语言能力，API 名称为 mistral-large-2407，权重已在 Hugging Face 提供；商业自部署需获取 Mistral Commercial License。
推荐理由：Mistral Large 2 同时覆盖长上下文、编码、推理和工具调用，并公布了性能、授权与部署入口，便于评估其应用价值。
Mistral AI 与 NVIDIA 合作发布 Mistral NeMo，一款 12B 模型，支持最高 128k tokens 上下文窗口，并提供 base 与 instruction-tuned checkpoints。
推荐理由：Mistral NeMo同时给出128k上下文窗口、Tekken分词器和Apache 2.0许可，便于比较其多语言与部署适用性。
Mistral AI 发布 Mathstral，这是一个基于 Mistral 7B、面向 STEM 科目和复杂多步数学推理的 instructed 模型。
推荐理由：Mathstral给出了MATH和MMLU等基准结果，并展示了增加推理时计算后的成绩变化，便于比较专用模型的性能与速度取舍。
Mistral AI 发布 Codestral Mamba，一款采用 Mamba 架构的 7,285,403,648 参数指令模型，支持免费使用、修改和分发。该模型提供线性时间推理和理论上的无限长度序列建模能力，并在最长 256k tokens 的上下文检索上进行测试。
推荐理由：Codestral Mamba 将线性时间推理与代码能力结合，并开放权重和部署路径，适合关注长上下文本地代码助手的读者了解其架构取向。
Mistral AI 发布 Mixtral 8x22B，这是一款采用稀疏 Mixture-of-Experts 的开放模型，141B 参数中仅有 39B 激活，并提供 64K tokens 上下文窗口。
推荐理由：这次发布同时给出开放许可、稀疏激活规模和基准结果，便于比较 Mixtral 8x22B 的性能与成本取舍。
Mistral AI 发布基于其模型的多语言对话助手 Le Chat，可使用 Mistral Large、Mistral Small 或原型模型 Mistral Next。面向企业推出的 le Chat Enterprise 支持自部署和细粒度审核机制；Le Chat 当前无法访问互联网，可能回答不准确或过时。
推荐理由：Mistral AI同时给出了个人助手与企业部署版本的定位，便于比较其开放体验和团队使用所需的控制能力。
Mistral AI 发布 Mistral Large，称其为最新且最先进的语言模型，可通过 La Plateforme 和 Azure 使用，并支持多语言推理、32K tokens 上下文、函数调用与 JSON 输出。公司同时发布面向低延迟和成本优化的 Mistral Small，以及 mistral-small-2402 和 mistral-large-2402 endpoints。
推荐理由：Mistral Large 同时提供多语言推理、32K tokens 上下文、函数调用和 JSON 输出，并通过 La Plateforme 与 Azure 开放。
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。
Mistral AI 开放 La Plateforme 的 Beta 访问，提供 mistral-tiny、mistral-small、mistral-medium 三个文本生成端点和 Mistral-embed 嵌入端点。
推荐理由：Mistral AI 同时公布了三个生成式端点和一个嵌入端点，并披露模型、语言覆盖与基准成绩，便于开发者比较接入选择。
Mistral AI 发布首个 7B-parameter 模型 Mistral 7B，称其在标准英语和代码基准上超过当时所有不超过 13B 参数的开放模型。该模型采用 Apache 2.0 发布，可用于摘要、结构化和问答，并以更低成本运行；Mistral AI 同时开放 GitHub 仓库和 Discord 社区。
推荐理由：Mistral AI 以 Mistral 7B 的发布展示了小型开放模型在性能、成本和部署灵活性之间的取舍。
Mistral AI 发布 Mistral 7B，这是一个 7.3B 参数的语言模型，官方称其在所有基准上超过 Llama 2 13B，并在多项基准上超过 Llama 1 34B。
推荐理由：这篇发布同时给出 Mistral 7B 与 Llama 系列的基准对比、推理优化机制和 Apache 2.0 使用方式，便于判断小模型的性能与部署成本。