中国拟收紧开源权重模型及23项关键AI技术出口管制
中国商务部和科技部发布禁止和限制出口技术目录的修订草案，涉及大模型、智能体、算力集群和数据处理等23项关键AI技术。大模型在两种情形下受出口管制：基于中国“重要数据”训练并提供服务，或训练算力达到10^26 FLOPs、参数至少2万亿、进入全球前十。
推荐理由：草案列出了大模型出口管制的算力、参数与排名门槛，并给出开源自动许可的豁免路径，可据此判断中国开源模型的出海空间。
技术方向
开源生态 最新动态
开源模型、框架与仓库动态：权重开放、社区项目爆火、开源与闭源的力量消长。
9 条精选近 30 天 8 条共收录 19 条
更新
开源生态的精选
The Decoder精选AI 评分7878
AWS Machine Learning Blog精选AI 评分6565 Reflection AI 发布开源权重模型 Beam，面向智能体编码
Reflection AI 发布开源权重模型 Beam，用于智能体编码和长周期任务，总参数 501B、激活参数 23B，报告有效上下文长度 100 万 token。
推荐理由：原文给出 Beam 的参数量、上下文长度和三种精度检查点，并附 AWS 两条部署路径，可据此评估自托管成本。
The Decoder精选AI 评分8080 Meta 发布 Muse Spark Open 开放权重模型，816B 参数、支持百万 token 上下文
Meta 发布开放权重模型 Muse Spark Open，总参数 816B、激活参数 42B，支持最高一百万 token 上下文和文本、图像、视频、音频输入。
推荐理由：Meta 重返开放权重赛道，读者可对照其参数规模、上下文长度与竞品基准表现判断定位。
The Decoder精选AI 评分8282 Black Forest Labs 发布开源权重图像模型 FLUX 3 Image Klein
Black Forest Labs 发布 FLUX 3 Image Klein，这是一个 5.6B 参数的开源权重模型，支持文生图、图像编辑和最多十张参考图生成，原生支持 4K 输出与像素级编辑。
推荐理由：读者可以了解这款开源权重图像模型在参数规模、显存门槛和授权条件上的具体取舍。
NVIDIA Blog精选AI 评分7676 NVIDIA 发布 Nemotron 3.5 Super VL 与两款 Bolt 边缘模型
NVIDIA 发布开放模型 Nemotron 3.5 Super VL，1200 亿参数，主打多模态智能体任务，官方称吞吐量最高可达同类模型的 5 倍。同时推出两款边缘模型 Nemotron 3.5 Bolt 74B-A9B 24GB 与 Bolt E4B 4GB，前者已上线，后者将于 10 月 23 日发布。
推荐理由：原文给出三款开放模型的参数、部署层级与开放权重，读者可据此判断本地智能体部署的选型空间。
Microsoft Research精选AI 评分7171 微软研究院开源 Agent Lightning v1.0：约 3500 行的轻量智能体强化学习框架
微软研究院开源 Agent Lightning v1.0，用约 3500 行代码实现完整的智能体强化学习控制平面，让部署时使用的 agent harness 直接参与训练，无需在训练框架内重新实现智能体。
推荐理由：微软研究院开源了约 3500 行的智能体强化学习框架，读者可了解它如何让部署中的 harness 直接参与训练。
Google DeepMind精选AI 评分7070 Google DeepMind 发布 EmbeddingGemma 2 端侧多模态嵌入模型
Google DeepMind 发布 EmbeddingGemma 2，一个 740M 参数、Apache 2.0 许可的开源嵌入模型，把文本、代码、图像、视频和音频映射到统一嵌入空间。
推荐理由：原文给出 740M 参数、分模块编码器与端侧内存占用，可据此判断本地多模态检索的部署门槛。
GitHub Blog · AI & ML精选AI 评分6262 GitHub Security Lab 发布 Fuzzing Taskflow 自主模糊测试流水线
GitHub Security Lab 发布 Fuzzing Taskflow，这是一个面向 C/C++ 项目的自主模糊测试流水线，只需指向一个 GitHub 仓库，它就会自动识别入口点、分析构建系统、编写 harness、运行 AFL++、读取覆盖率报告并改进 harness，再对每个崩溃做分类并生成漏洞报告。
推荐理由：作者公开了这套自主模糊测试流水线的架构与运行方式，读者可据此判断哪些人工环节能交给 LLM 智能体。
Berkeley AI Research精选AI 评分6060 K-Search 从 CUDA 迁移到 MLX，为 Apple Silicon 生成高性能内核
Berkeley Sky Lab 与 IBM Research 将 K-Search 内核搜索框架扩展到 MLX，通过结构化的 CUDA-to-MLX 翻译层让已有 CUDA 内核经验适配 Apple Silicon。
推荐理由：读者可以看到 CUDA 内核经验如何被结构化翻译成 MLX 优化策略，以及翻译层对最终性能的具体贡献。