NVIDIA 釋出開源表格基礎模型 Kumo Tabular，採用 Transformer 架構，無需訓練、調參或特徵工程即可在單次前向傳播中完成分類與迴歸預測。該模型提供 28M 到 215M 三種引數規模，完全基於人工合成數據進行預訓練，並在 TabArena、BeyondArena、TALENT 和 ScoringBench 四個基準測試中排名第一。
推薦理由：該模型不經微調即可直接預測表格資料，讀者可以據此評估它在企業級結構化資料預測任務中的應用潛力。
Liquid AI 針對視覺語言模型 LFM2.5-VL-3B 釋出了實驗性的 DSpark 草稿模型，通過引入投機解碼路徑實現推理加速。該草稿模型包含 2.8 億引數（增量 8.9%），在端側和 GPU 上解碼速度最高可提升 3.13 倍，並且首日即整合支援 llama.cpp、MLX-VLM 和 SGLang。
TypeSafe AI 創始人兼 CEO Diogo Almeida 推出了旨在提升生產環境可靠性的 System One 模型 Jev。該模型採用名為 RLCD（Reinforcement Learning for Calibrated Decisions）的未公開新技術，優化了 System One 任務中的機率校準，以應對傳統 LLM 的幻覺與對齊問題。
微軟研究團隊釋出 RetroChimera，一種用於大規模小分子合成預測的框架，並在 Nature 論文中展示其效能。RetroChimera 結合 R‑SMILES 2 與 NeuralLoc 兩種模型，通過學習式重排序實現更準確的合成路線預測。其開源實現已在 GitHub 上釋出，旨在加速藥物與材料研發。
推薦理由：RetroChimera 通過融合兩種模型提升化學合成預測，公開原始碼可加速藥物與材料研發。
Hugging Face 團隊推出了 NeoMME，這是一個包含 260M 和 800M 引數的多語言多模態基礎編碼器系列。該模型不使用單獨的視覺塔或因果語言模型，而是通過單個雙向 Transformer 同時處理文本 token 和原始影像塊。
推薦理由：原文釋出了不依賴獨立視覺塔的多模態雙向編碼器，讀者可以瞭解其單塔架構和檢索效能。
作者基於開源方案復現了讓大語言模型通過編寫 JavaScript 程式碼繪製水彩畫的強化學習流程，並公開了參考影像池、強化學習環境、訓練指令碼及訓練好的模型。文章對比了不同美學獎勵權重配置下的多項實驗結果，詳細記錄了基礎設施搭建及訓練調優過程中的發現。
推薦理由：文章復現並開源了使用強化學習訓練程式碼模型繪製水彩畫的完整流程，為讀者提供了基於美學偏好進行對齊的具體實現與多重實驗對比。
Google Research 推出 TimesFM-3，這是一個擁有 3.3 億引數、原生支援多變數預測的零樣本時間序列基座模型。該模型採用解碼器架構與交替注意力機制，支援單次前向傳遞生成整個預測區間，在 Gift-Eval、FEV-Bench 和 Time 等基準測試中表現優於其他預訓練基座模型，目前已在 GitHub 和 Hugging Face 上線。
推薦理由：谷歌釋出了面向多變數時間序列預測的基座模型 TimesFM-3，它通過交替注意力架構和單次前向傳遞實現了零樣本預測，在多項公開基準測試中表現領先。
Microsoft Research 釋出了 GigaPath-Flash 與 GigaTIME-Flash 兩款高效病理基礎模型。GigaPath-Flash 採用 22M 引數 ViT‑S tile encoder 與 21M 引數 LongNet slide encoder，推理成本比原版低 50 倍，效能僅落後 3%。
Liquid AI 針對 LFM2.5 模型家族釋出了 DSpark 草稿模型檢查點，通過引入推測解碼路徑，在不改變輸出質量的情況下實現了最高 3.2 倍的吞吐量提升。
推薦理由：該方案在保持輸出質量不變的前提下提升了吞吐量，為端側和雲端推理效能最佳化提供了可複用的技術實踐。
Sentence Transformers 釋出 v6.0 版本，首次引入第四種模型型別 MultiVectorEncoder，用於支援 ColBERT 風格的後期互動檢索。該版本允許開發者通過熟悉的 API 直接載入各類 PyLate、ColBERT 以及 ColPali 視覺文件檢索模型的檢查點，無需經過複雜的格式轉換。
推薦理由：該版本新增了對多向量檢索模型的原生支援，讀者可以通過標準介面直接載入多種主流模型的檢查點並完成檢索與重排。
Meta 推出了全新的 30B 引數開源多模態模型 Muse Glimmer，採用 Apache 2.0 協議釋出，專門面向本地智慧體和隱私保護應用。該模型結合了 2B 的視覺感知編碼器與 28B 的文本解碼器，支援影像、影片理解以及多模態工具呼叫，並提供 transformers、llama.cpp 和 vLLM 的首日支援。
推薦理由：文章詳細介紹了 Meta 開源多模態模型 Muse Glimmer 的架構設計與本地部署方法，讀者可以據此瞭解其在端側智慧體和多模態任務中的應用潛力。
NVIDIA 推出 Cosmos-H-Dreams，這是一個針對手術機器人的即時、動作條件生成式模擬器。該模型將 Cosmos-H-Surgical-Simulator 的能力蒸餾為因果學生模型，並通過 FlashDreams 庫在單張 NVIDIA RTX PRO 6000 GPU 上實現每秒約 160 幀的互動式執行，支援在閉環中進行策略評估和資料生成。
推薦理由：官方推出的即時動作條件生成模擬器展示了手術機器人的互動式環境，讀者可以據此瞭解世界模型在醫療機器人領域的即時推理與應用進展。
Google DeepMind 推出了 Gemma 4，四種尺寸（E2B、E4B、26B MoE、31B Dense）支援多模態、長上下文（128K–256K）和 140+ 語言，具備高階推理、函式呼叫和程式碼生成能力，並以 Apache 2.0 許可免費開放，適用於從移動端到雲端的多場景部署。
推薦理由：Gemma 4 以高效引數利用率和多模態能力，成為最強開源模型之一，支援從移動端到雲端的多場景部署，並提供 128K–256K 上下文視窗和 140+ 語言支援，兼具函式呼叫和結構化 JSON 輸出，滿足多行業需求。
Mistral AI 釋出了 Mistral Small 4，這是一款統一推理、多模態與編碼功能的模型，採用 119B 引數、256k 上下文視窗，支援可配置推理強度，提供 40% 的延遲降低和 3 倍的吞吐量提升。該模型採用 Apache 2.0 許可，支援 vLLM、llama.cpp、SGLang 等開源框架，並已加入 NVIDIA Nemotron 聯盟。
推薦理由：Mistral Small 4 將推理、多模態與編碼功能統一，提供可配置推理強度和高效推理，幫助使用者在單一模型中完成多種任務。
Leanstral 是 Mistral AI 推出的首款專為 Lean 4 設計的開原始碼代理，採用 6B 活躍引數，支援在 Mistral Vibe 中零設定使用，並提供免費 API 端點。
推薦理由：Leanstral 以 6B 引數實現高效 Lean 4 程式碼生成，成本低於主流模型，展示了開原始碼代理在正式驗證場景中的可行性。
Mistral AI 釋出了 Voxtral Transcribe 2 語音模型系列，包含用於批次轉寫的 Voxtral Mini Transcribe V2 和用於即時應用的 Voxtral Realtime。
推薦理由：Mistral 釋出了 Voxtral Transcribe 2 語音模型系列，並開源了 Voxtral Realtime 權重，讀者可以據此瞭解其在即時性與多語言轉寫上的新進展。
Mistral AI 釋出新一代編碼模型系列 Devstral 2（123B）與 Devstral Small 2（24B），以及終端編碼助手 Mistral Vibe CLI。
推薦理由：原文提供了具體的基準測試資料、引數規模和開源協議，讀者可以據此評估其在程式碼自動化和本地部署中的實際效用。
Mistral AI 釋出新一代 Mistral 3 模型系列，包含 14B、8B 和 3B 的 Ministral 3 端側稠密模型，以及採用稀疏 MoE 架構、啟用引數 41B 總引數 675B 的旗艦模型 Mistral Large 3。所有模型均採用 Apache 2.0 許可證開源，支援多模態與多語言能力，推理版本也將很快推出。
推薦理由：原文釋出了包含稠密小模型與 MoE 旗艦大模型的全新模型系列，並全部採用 Apache 2.0 許可證開源，開發者和企業可直接藉此在多端與雲端部署前沿智慧能力。