Hugging Face 提出 Quantization-Aware Healing，将 GPT-OSS 120B 压缩到 60B 并量化为 MXFP4 后，在 9 个 benchmark 中有 7 个超过对应 60B bfloat16 checkpoint。QAH 直接从压缩前原始模型蒸馏，并用分块 KL-divergence loss 支持最长 32k tokens 的 healing。
Microsoft Research 介绍 CARE-X，这是一个面向胸部 X 光多任务解读的统一放射学 VLM 研究模型，可生成报告、做结构化预测并给出可调阈值的置信分数。
Multiverse Computing 的论文 Efficient Knowledge Distillation for LLMs: Offline Top-K Logits and a Fused Chunked KL Loss 提出两项系统改动，用于降低 LLM 知识蒸馏成本。
OpenAI 研究发布 gpt-oss 可能带来的最坏前沿风险，重点评估开放权重 LLM 的潜在滥用能力。研究引入 malicious fine-tuning（MFT），通过在生物学和网络安全两个领域微调 gpt-oss，尝试诱发其最大能力。
OpenAI 研究了在错误响应上训练如何导致语言模型出现更广泛的未对齐，并识别出驱动这一行为的内部特征。该特征可以通过少量微调逆转。