Common Corpus：面向 LLM 预训练的最大规模伦理数据集
Common Corpus 是迄今最大的开放 LLM 预训练数据集，数据均为无版权或开放许可内容，总量约两万亿 token，涵盖从高资源欧洲语言到低资源语言及大量代码数据。研究团队在该数据集上训练了两个小型语言模型，性能与同规模模型相当，表明其适合多语言预训练。该数据集已被 ICLR 2026 接收为 Oral 论文。
#开源生态
arXiv cs.CLAI 评分3434 arXiv cs.LGAI 评分2222 MASKerade：面向稠密到 MoE 升级的 Token 路由掩码专家
MASKerade 是一种稠密到 MoE 训练方法，将专家学习为冻结预训练 FFN 的稀疏子网络，每个专家由学习到的二值掩码定义，并由 token 级路由器选择执行与组合，路由器和掩码分数联合优化而 FFN 权重保持不变。
arXiv cs.AIAI 评分4242 通过随机嵌入扰动越狱开放权重 LLM
研究者提出 Perturbed Embedding Vector（PEV）攻击，仅向提示词的嵌入向量表示中加入独立高斯噪声，即可越狱六种不同规模的常见开放权重 LLM，在 JailbreakBench 上对所有模型、所有提示词均生成不安全回复。PEV 无需梯度计算、逐提示优化或修改模型内部权重，取得首次成功攻击的平均算力成本比此前方法低至多一个数量级，每个测试模型上首次越狱通常在一分钟内出现。
arXiv cs.AIAI 评分5858 nanoMuse：面向所有设备的开源个人智能体
arXiv 论文提出开源个人智能体 nanoMuse，采用 GPL-3.0 许可，让用户拥有的每台设备共享同一段对话，并通过任何人都能运行的 relay 连接。
NVIDIA BlogAI 评分2222 电信运营商为何将 AI 战略押注在开源模型上
NVIDIA《State of AI in Telecommunications》报告显示，89% 受访者认为开源模型与软件对公司 AI 战略重要。NVIDIA 发布 300 亿参数的 Nemotron 3 Large Telco Model（LTM），由 AdaptKey 基于开源电信数据集微调，并开放完整微调流程。
AWS Machine Learning Blog精选AI 评分6262 GLM 5.3 上线 Amazon Bedrock
智谱（Z.ai）的 GLM 5.3 已在 Amazon Bedrock 上线，这是一个 753B 参数的 MoE 模型，面向编码与长周期智能体任务，通过全托管 API 提供跨区域推理、提示词缓存和服务层级，目前面向符合条件的企业客户开放。
推荐理由：原文给出 GLM 5.3 在 Bedrock 上的接入方式与提示词缓存用法，可据此评估自建推理与托管调用的取舍。
NVIDIA Blog精选AI 评分6262 NVIDIA 联合 Google DeepMind 等开放 2800 多种病毒的蛋白复合物结构数据集
NVIDIA 加入由 Google DeepMind、EMBL-EBI 等组成的全球研究联盟，通过 AlphaFold Database 开放 2800 多种病毒的蛋白复合物预测 3D 结构，供任何科学家免费使用。
推荐理由：NVIDIA 联合 Google DeepMind 等机构开放 2800 多种病毒的蛋白复合物预测结构，读者可了解开放科学在疫情准备中的具体做法。
Microsoft ResearchAI 评分3838 微软 Skala 1.1 发布：训练数据增至 2.5 倍，并集成进 CP2K 等主流 DFT 软件
微软研究院发布深度学习交换关联泛函 Skala 1.1，训练数据量为此前公开版本的 2.5 倍，在 GMTKN55 基准 55 个类别中 32 项排名第一，加权平均误差 2.8 kcal/mol。Skala 现已在 CP2K 中可用，并正集成进 Psi4、FHI-aims、ORCA 和 VASP，同时推出持续追踪各版本计算性能的 living benchmark。