Hcompany 釋出全新智慧體模型系列 Holo4，包含 27B dense 與 35B-A3B Mixture of Experts 兩個尺寸，並同步推出更新版 Holotron4 Nano。該系列模型支援 GUI、程式碼、MCP 與 API 等多種互動介面，在 OSWorld 2.0 等基準測試中表現優異，相關權重與軌跡資料已在 Hugging Face 開源。
推薦理由：文章公佈了新模型的大小、介面和基準測試表現，讀者可以據此瞭解其在複雜工作流中的表現。
小米釋出 MiMo-V2.6 系列原生全模態開源模型，其中 Pro 版本擁有 1.02T 總引數和 42B 啟用引數，RL 訓練成本約 300 萬美元。該系列同時開源了訓練環境、程式碼及技術報告，旨在降低強化學習訓練門檻。
費城兒童醫院利用基於 MONAI 等開源 NVIDIA AI 工具的心臟建模服務，在幾秒鐘內將 CT 掃描和 MRI 等影像轉化為精確的心臟模型，使原本需要四小時的手術準備時間縮短至可用於臨床。目前全美有超過 20 家兒童醫院執行此類心臟建模程式，其中波士頓兒童醫院每年支援約 500 例手術。
一項研究表明，大模型在網路安全領域帶來了大幅加速，在數學研究中帶來了較小加速，而在 AI 自身研究中尚未帶來可測量的加速。多所高校研究者聯合推出了 SPADE，這是一個通過自我對弈協同演化環境合成與智慧體能力的通用框架。該框架在 30B 規模下利用 Qwen3 骨幹網路進行了測試，在遊戲和工具使用環境評測中均提升了效能。
Google DeepMind 推出了 WeatherNext AI 模型，在氣旋的路徑、強度和風力結構預測上達到了 SOTA 精度，平均可提供額外一天的預警時間。該研究成果已在 Nature 發表，團隊宣佈開源 WeatherNext 2 與 WeatherNext Cyclones 模型程式碼及權重。
推薦理由：該模型實現了氣旋路徑和強度預測的大幅準確率提升，並開源了程式碼與權重，為氣象研究和防災減災提供了新工具。
Mistral AI 釋出了 Shieldstral，這是一款 3B 引數的開源多模態安全分類模型，採用 Apache 2.0 協議開源。該模型將內容稽核轉換為策略自適應的問答任務，允許在推理時通過自然語言指定策略，從而無需重新訓練即可統一處理文本和影像安全評估。
推薦理由：該模型通過將內容稽核轉化為推理時的自然語言問答任務，避免了傳統方案因固定分類體系而需要重新訓練的限制。
Microsoft Research 推出了開源的可擴充套件智慧體框架 Orchard，其核心是提供可重用環境服務的 Kubernetes 架構 Orchard Env，支援在真實部署 harnesses 中直接訓練智慧體。專案同步開源了三個領域的訓練方案與資料，其中 Orchard-SWE 在 SWE-bench Verified 上取得了 69.7% 的表現。
推薦理由：微軟研究院開源了可擴充套件智慧體框架 Orchard，並提供覆蓋軟體工程、網頁瀏覽和個人助理的完整訓練方案，降低了智慧體研究的基建門檻。
微軟研究團隊推出了 Echoverse，這是一個包含 10 個深度領域世界和 2 個能力世界的訓練環境集合，旨在為計算機操作智慧體提供高保真、狀態相干且具備可信資料庫驗證的合成訓練世界。
推薦理由：微軟開源了用於訓練計算機操作智慧體的深度演化環境 Echoverse，通過提供高保真和可複用的訓練世界，為提升模型在複雜閉環工作流中的泛化能力提供了新途徑。
研究團隊擴充套件了 K-Search 進化核心搜尋框架併為其增加了 MLX 後端，通過結構化 CUDA 到 MLX 翻譯層將 NVIDIA 生態的核心最佳化經驗自動遷移至 Apple Silicon。實驗表明，該方法在注意力核心上實現了接近專家的效能，在 Mamba SSM 核心的預填充階段取得了約 20 倍的吞吐量提升。
推薦理由：研究展示瞭如何通過結構化翻譯層將 CUDA 最佳化經驗遷移至 Apple Silicon，為異構硬體的高效能核心開發提供了可複用的方法。
Mistral AI 釋出 Leanstral 1.5，這是一款採用 Apache-2.0 許可證、擁有 119B 總引數和 6B 啟用引數的開源形式化驗證模型。該模型經過中訓練、監督微調與 CISPO 強化學習，在 miniF2F、PutnamBench 以及 FATE-H 和 FATE-X 等基準測試中取得顯著效能提升，並支援通過 Hugging Face 和免費 API 獲取。
推薦理由：文章詳細說明了 Leanstral 1.5 的引數規模、訓練階段與測試集表現，讀者可以據此評估該開源形式化驗證模型在數學推理和程式碼驗證上的實際效能。
Google Research 推出了 TabFM，這是一個專為表格資料分類和迴歸設計的零樣本基礎模型。該模型通過將表格預測轉換為上下文學習問題，消除了傳統機器學習中的手動模型訓練、超引數調優和複雜特徵工程，能夠在單次前向傳遞中對未見過的表格生成高質量預測。
推薦理由：Google Research 釋出了面向表格資料的零樣本基礎模型 TabFM，讀者可以據此瞭解大模型架構如何簡化分類和迴歸的工作流。
Google DeepMind 釋出了採用 Apache 2.0 協議開源的實驗性模型 DiffusionGemma，這是一款基於 Gemma 4 家族和 Gemini 擴散研究的 26B MoE 文本擴散模型，可在專用 GPU 上實現高達 4 倍的文本生成速度。
推薦理由：該模型採用文本擴散架構實現數倍於傳統自迴歸模型的推理速度，為開發者探索本地即時互動工作流提供了新的硬體利用方式與微調路徑。
Mistral AI 推出 128B 開源旗艦模型 Mistral Medium 3.5，具備 256k 上下文視窗、可配置推理強度以及從頭訓練的視覺編碼器，並在 SWE-Bench Verified 上取得 77.6% 的成績。
推薦理由：Mistral Medium 3.5 的釋出和雲端非同步智慧體能力的上線，展示瞭如何通過長上下文與多工具呼叫降低開發者的任務阻塞成本。
Google Research 推出了名為 MoGen 的開源神經形態生成模型，利用 point cloud flow matching 模擬逼真的 3D 神經元形狀以增強訓練資料。將 MoGen 生成的合成數據加入訓練管道，使重構錯誤率降低了 4.4%，並顯著減少了未來全腦對映所需的人工校對工作量。
Mistral AI 釋出了開源語音理解模型 Voxtral，包含面向生產的 24B 規格與面向端側的 3B 規格，均採用 Apache 2.0 協議開源。該系列模型支援 32k 上下文、長達 30 至 40 分鐘的音訊處理、內建問答與摘要、多語言處理及函式呼叫功能，並在多項語音轉寫和理解基準測試中表現優異。
推薦理由：該模型提供了兩種尺寸並開源，讀者可以根據自身算力條件選擇合適的版本進行本地部署或呼叫 API。
Mistral AI 與 All Hands AI 合作推出了 Devstral Medium 並升級了 Devstral Small 1.1。Devstral Small 1.1 採用 Apache 2.0 協議開源，在 SWE-Bench Verified 上獲得 53.6% 的分數；Devstral Medium 在 API 上線，得分達 61.6%，支援私有化部署與自定義微調。
推薦理由：該釋出提供了兩款程式碼智慧體新模型的詳細效能和價格資訊，讀者可以藉此評估它們在特定開發任務中的價效比。
Mistral AI 釋出首個推理模型 Magistral，推出開源的 Magistral Small（24B）和企業級 Magistral Medium 兩個版本。
推薦理由：原文給出了兩個版本的具體效能指標與開放渠道，讀者可以據此評估其在真實業務和推理任務中的表現。
Mistral AI 宣佈推出 Mistral Small 3.1，這是一款在其體量級別表現出色的開源模型。該模型帶來改進的文本效能、多模態理解以及高達 128k tokens 的上下文視窗，並以 Apache 2.0 許可證開源。
推薦理由：原文給出了開源模型的新版本效能與多維度升級，讀者可以據此評估其在端側和多模態任務中的應用潛力。