端侧 AI

推荐理由：研究用真实 Android TV 盒子和受控 GCP 节点拆解 AI 蠕虫复制链路，为评估端侧模型的网络安全风险提供了可核对的实验框架。

推荐理由：文章梳理了 ML Drift 的跨平台 GPU 抽象、LiteRT 集成和迁移路径，便于端侧推理开发者评估旧 TFLite GPU delegate 的替代方案。

推荐理由：材料给出端侧量化、256K 上下文、成本与多项编码基准变化，可帮助读者理解本地编码模型的取舍。

推荐理由：文章集中说明 RTX Spark、DGX Station for Windows 与 MXC 的本地智能体软硬件组合，便于理解 Windows 端侧 AI 的部署路径。

推荐理由：原文给出两款开放权重决策模型的参数规模、多模态输入范围和端侧延迟，可用于比较小模型在结构化判断场景的部署价值。

推荐理由：原文给出参数量、内存占用、上下文和下载渠道，可帮助开发者评估端侧多模态 RAG 的接入可行性。

推荐理由：原文给出参数量、模块化编码器、8K token 上下文和端侧内存数据，可帮助判断本地多模态检索方案的资源门槛。

推荐理由：文章给出参数量、上下文、内存占用和部署工具链，可帮助判断端侧多模态检索与本地 RAG 的落地边界。

推荐理由：文章说明了 transformers 直接加载 GGUF 的入口、Apple Silicon 限制和性能实现，便于评估本地 PyTorch 推理工作流。

推荐理由：原文同时给出内核仓库结构、JavaScript 加载方式和与 ORT WebGPU 的单算子对比，便于评估浏览器本地推理底层优化路径。

推荐理由：文章给出三款草稿模型的参数规模、H100 与 M4 Max 实测加速及 llama.cpp、SGLang 接入方式，便于评估端侧和服务端部署收益。

推荐理由：原文说明了 SL2T 的手语到文本技术路径、训练规模和首批落地入口，可帮助读者理解视觉手语翻译进入消费产品的方式。

推荐理由：文章给出12种语言、364M参数和多GPU延迟数据，可帮助评估自建低延迟语音智能体的部署方案。

推荐理由：官方拆解了三款模型在全身控制、灵巧操作、长程协作和端侧适配上的分工，可帮助理解机器人智能层的能力边界。

推荐理由：文章解释了冻结 Gemini Nano v3 主干并加装 MTP 头的移动端加速方案，可帮助理解端侧 LLM 在内存和能耗约束下的工程取舍。

推荐理由：原文给出并行文本扩散的架构取舍、硬件门槛和本地推理速度，可帮助判断其适用场景。

推荐理由：官方说明了无编码器统一架构、16GB 内存本地运行和 Apache 2.0 开放方式，便于评估端侧多模态智能体开发可行性。

推荐理由：文章给出跨肤色验证误差、真实环境测试和数据集开放方式，可帮助读者理解手机摄像头被动测心率的可行边界。

推荐理由：官方同时给出批处理与实时两款语音转文字模型的延迟、价格、语言支持和开放权重安排，便于比较接入方式。

推荐理由：官方同时给出模型规格、开源许可、部署平台和基准位置，便于读者按端侧到数据中心的不同场景选型。