#部署/工程

推荐理由：Unsloth 把决策模型训练、测试、导出到部署串成一条链路，并给出准确率从 30% 到 80% 的对照。

推荐理由：JetBrains 开源编码智能体模型 Mellum2.1，读者可了解其 RL 后训练路线与自托管部署方式。

推荐理由：微软把 Windows 的 AI 能力从 Copilot 入口扩展到本地模型、Agent 容器与算力调度，读者可据此判断 AI PC 的硬件与系统路线变化。

推荐理由：作者用 ML Intern 在两天内从零训练并发布六个模型，给出了提示词写法与逐项算力花费，可迁移到自己的训练流程。

推荐理由：原文给出 AQuA 的五阶段流水线、成本数据和一次真实多智能体排查案例，可据此判断生产环境智能体质量监控的可行做法。

推荐理由：Google 开源端侧 GPU 推理引擎 ML Drift，并给出 Chrome、YouTube Shorts、Adobe 等迁移后的实测提速数据。

推荐理由：读者可以了解 Claude Haiku 5.5 在 GitHub Copilot 中的可用范围与计费方式，以及它在编码任务上的初步表现。

推荐理由：AWS 官方给出 Haiku 5.5 的定位、成本变化与 Bedrock 接入方式，可据此判断它在多智能体分层中的分工。

推荐理由：英伟达与微软把智能体运行所需的系统级容器和本地算力硬件一起端出，读者可据此判断本地智能体落地的软硬件门槛。

推荐理由：GitHub 用九个季度数据说明密钥泄露与人工修复的失衡，并给出把检测前移到 push 环节的模型方案。

推荐理由：GitHub 把微调后的密钥检测模型接入告警、推送保护和 Copilot 安全审查，可据此了解各功能的开放范围与计费方式。

推荐理由：微软开源 Agent Lightning v1.0，用约 3500 行代码把真实 harness 直接接入 RL 训练，并给出 6000 样本的编码智能体训练结果。

推荐理由：官方说明本地沙箱在 CLI、应用与 VS Code 中正式可用，读者可据此了解智能体工作流的权限边界如何落地。

推荐理由：Ollama 在 Apple Silicon 上默认切换到 MLX 运行时，读者可据此了解本地部署的默认行为变化与已支持模型范围。

推荐理由：Unsloth 一次更新同时加入内置浏览器、EmbeddingGemma 2 支持与语音克隆页面，可据此判断本地微调工具链的边界扩展。

推荐理由：EmbeddingGemma 2 把文本、图像、视频帧和音频映射到同一向量空间，并给出端侧内存与延迟数据，可据此判断本地多模态检索的落地边界。

推荐理由：Google 公布基于 TEE 的新一代联邦学习系统设计，并给出 Gboard 已上线的实际部署效果。

推荐理由：汇总了 Copilot 本周新增模型、动态工作流与桌面自动化能力，可据此判断智能体工作流的可用边界。

推荐理由：原文给出 64GB 新配置的定价、上市时间与双机集群方式，读者可据此判断本地跑大模型的硬件门槛。

推荐理由：原文给出 Ultrafast 模式相对标准模式的生成速度提升与开放入口，读者可据此判断它对编码智能体循环的实际影响。