Liquid AI 发布 LFM2.5-24B-A2B，一个总参数 24B、每 token 仅激活 2B 的推理模型，面向端侧运行、可调用工具的智能体。它在 LiveClaw 上得分 48.09，高于 Qwen3.6-35B-A3B 的 38.19，在 8 项工具使用与智能体基准中 5 项领先或持平。
推荐理由：LFM2.5-24B-A2B 用 2B 激活参数对比更大 MoE 的端侧成绩与推理速度，可作为端侧智能体选型的参考。
作者用 HuggingChat 中的 ML-intern 在几天内训练并发布了六个模型，包括 0.8B 的 Pocket Rewriter、柑橘病害 VLM 和相机视角 LoRA，总计算成本约 103 美元。
推荐理由：作者公开了七个提示词与六次训练的真实成本，可迁移到自己的模型微调流程中。
Liquid AI 在 d1 决策模型家族下开源 d1-3B 和实验性 d1-omni-600M 两款模型，两者均为开放权重并已上线 Hugging Face。
推荐理由：Liquid AI 开源两款决策模型，给出了端侧与 GPU 延迟实测和七项基准对比，可据此判断小模型做实时决策的可行性。
Microsoft Research Asia 提出 Harnessed Agentic RL 训练范式并开源 Agent Lightning v1.0，让部署时使用的 agent harness 直接参与强化学习，无需在训练框架中重新实现智能体。
推荐理由：微软研究院提出直接用部署 harness 参与强化学习训练的范式，并给出 3500 行开源实现与完整编码智能体训练示例。
Google DeepMind 发布 SynthID Bio，将水印技术引入合成生物学，把不可感知的签名嵌入生物代码，使其在数字模型和合成出的实体蛋白质上均可验证。
推荐理由：Google DeepMind 把水印从数字内容延伸到合成生物，读者可了解其方法与对 DNA 合成筛查的意义。
GitHub Security Lab 发布 Fuzzing Taskflow，一个面向 C/C++ 项目的自主 fuzzing 流水线，指向一个 GitHub 仓库即可自动识别入口点、分析构建系统、编写 harness、运行 AFL++、读取覆盖率报告并分诊崩溃。
推荐理由：作者公开了自主 fuzzing 流水线的架构与运行方式，可看 LLM 智能体如何接手覆盖率分析与崩溃分诊。
