NVIDIA 发布开源表格基础模型 Kumo Tabular，属于 Kumo Structured 模型系列，在 Hugging Face 上提供权重。给定带标签行的表格，它在单次前向传播中预测新行标签，无需训练、调参和特征工程，支持分类与回归，提供 28M 至 215M 三档参数规模，采用 OpenMDW-1.1 许可可商用。
推荐理由：原文公开了表格基础模型的三档规模、单次前向推理方式和四个基准排名，可据此判断无训练微调的表格预测路径。
小米发布 MiMo-V2.6 系列，包含原生全模态的 MiMo-V2.6-Pro（1.02T 总参数、42B 激活）和 MiMo-V2.6-Flash，并推出输出速度最高快 20 倍的 UltraSpeed 版本。
推荐理由：小米 MiMo-V2.6-Pro 以约 300 万美元训练成本登顶开放权重模型，其 RL 环境与训练配方同步开源值得关注。
TypeSafe 发布名为 Jev 的决策模型，官方称其专为分类、路由与打分等决策任务优化，采用 RLCD 训练，比小型前沿 LLM 快 100 倍以上、便宜 200 倍以上，输出 token 不计费。
Google 发布 TimesFM-3，这是其时间序列基础模型的新一代版本，原生支持多变量预测，参数规模 3.3 亿，在超过 1 万亿个时间点的真实与合成时序语料上预训练。
推荐理由：TimesFM-3 从单变量扩展到原生多变量预测，读者可了解一次前向传播完成多序列预测的架构取舍。
NVIDIA Magpie TTS Multilingual 开放权重模型开放权重、364M 参数，新增 Modern Standard Arabic、韩语和巴西葡萄牙语，共支持 12 种语言，并经由 NVIDIA NIM 在自有基础设施部署。
Meta 发布开源多模态模型 Muse Glimmer，从 Muse 蒸馏至 30B 参数，采用 Apache 2.0 许可，面向编码、文档分析、个人助理等本地智能体场景。
推荐理由：Meta 开源 30B 多模态模型，附 day-0 推理与量化支持，可用于评估本地智能体模型的落地方案。
Google DeepMind 在 Nature 发表论文，称 WeatherNext AI 模型在气旋路径、强度和风场结构预测上达到 SOTA，平均可多提供一天预报时效，三天预报精度相当于此前模型的两天水平。
推荐理由：官方给出气旋路径与强度预测多出一天预警时间的评估结果，并同时开源模型与权重，可据此判断气象预报模型的可用边界。
Mistral AI 发布 Shieldstral，一个 3B 开源权重多模态安全分类器，以 Apache 2.0 许可发布，可在单张 16GB NVIDIA GPU 上运行。该模型把内容审核转化为策略自适应问答任务，推理时直接接受自然语言策略，无需重新训练即可统一文本与图像安全评估，官方称其在文本安全和多模态审核基准上匹配或超过至多 7 倍规模的开放护栏模型，并给出可阈值化的连续安全评分。
推荐理由：3B 分类器以推理时自然语言策略替代固定危害分类，读者可据此判断轻量护栏模型的部署方式变化。
Thinking Machines 在 Hugging Face 发布 Inkling 及 Inkling-Small 两款开源多模态大模型。
推荐理由：原文列出了 Inkling 与 Inkling-Small 的架构参数、部署显存门槛和多引擎支持，读者可据此判断自部署可行性。
Mistral 发布 Leanstral 1.5，一个 Apache-2.0 许可、总参数 119B、激活 6B 的形式化验证模型，miniF2F 达到 100%，PutnamBench 解出 587/672 题，FATE-H 87%、FATE-X 34%。
推荐理由：官方给出多基准成绩、训练流程和每解题成本，读者可对照其开源权重与免费 API 判断形式化验证的实用门槛。
Mistral 已收购 Emmi AI，并将其工作纳入自身，专注为航空航天、汽车、半导体和能源等行业构建基础 Physics AI。双方此前发布的成果包括 AB-UPT——可在单张 GPU 上处理 900 万表面单元与 1.4 亿体积单元的原始几何、无需重新划分网格，以及首个端到端深度学习代理模型 NeuralDEM。
Mistral 发布 Mistral Medium 3.5，这是一个 128B 密集架构模型，在 SWE-Bench Verified 上得分 77.6%，以修改版 MIT 许可证开放权重，API 定价为每百万输入 token 1.5 美元、每百万输出 token 7.5 美元。
推荐理由：Mistral Medium 3.5 以 128B 密集架构开源并成为 Vibe 与 Le Chat 默认模型，读者可据此判断云端异步编码智能体的可用性。
Mistral AI 发布 Mistral Small 4，这是 Mistral Small 系列的下一个主要版本，也是首个把 Magistral 推理、Pixtral 多模态与 Devstral 编码智能体能力统一到单一模型的 Mistral 模型，采用 Apache 2.0 许可。
推荐理由：Mistral 首次把推理、多模态与编码智能体能力合并进一个开源模型，并给出可调推理强度与延迟数据。
Mistral 发布 Leanstral，一个面向 Lean 4 的开源代码智能体，以 Apache 2.0 许可开放权重，并集成进 Mistral Vibe 与免费 API。
Mistral 发布 Voxtral Transcribe 2，包含面向批处理的 Voxtral Mini Transcribe V2 和面向实时场景的 Voxtral Realtime 两款语音转写模型。
推荐理由：Mistral 一次放出批处理与实时两款语音转写模型，并给出延迟、错误率与单价对比，可据此判断实时语音应用的落地成本。
Mistral AI 发布 Devstral 2 编码模型家族，包括 123B 的 Devstral 2 和 24B 的 Devstral Small 2，两者分别采用修改版 MIT 和 Apache 2.0 许可，均为开源。
推荐理由：官方给出了 Devstral 2 的 SWE-bench Verified 成绩、参数规模与定价，可据此判断开源编码模型的性价比位置。
Mistral 发布 Mistral 3 系列，包含 3B、8B、14B 三个 Ministral 3 密集模型，以及总参数 675B、激活 41B 的稀疏 MoE 模型 Mistral Large 3，全部以 Apache 2.0 许可开源。
推荐理由：Mistral 3 一次性放出从 3B 到 675B 的全系开源模型，读者可据此判断小模型与 MoE 大模型的分工。
Mistral AI 发布 Voxtral 语音理解模型，提供 24B 和 3B 两个版本，均以 Apache 2.0 许可开源并上线 API。模型支持 32k token 上下文，可处理最长 30 分钟转录或 40 分钟理解，并具备音频问答、摘要、多语言识别与语音触发函数调用能力，其语言模型骨干继承自 Mistral Small 3.1。
推荐理由：Mistral 开源语音理解模型，给出两款尺寸、32k 上下文与转录基准对比，可据此判断开源语音方案的落地成本。
Mistral AI 与 All Hands AI 合作发布 Devstral Medium，并升级开源版 Devstral Small 1.1。
推荐理由：Devstral 新版本给出了 SWE-Bench Verified 分数、开源许可与 API 定价，读者可据此比较开源代码智能体的性能与成本。
Mistral AI 发布首个推理模型 Magistral，分为 24B 参数的开源版 Magistral Small 和更强的企业版 Magistral Medium。
推荐理由：Mistral 首个推理模型同时给出开源权重与企业版，并公开 AIME2024 成绩和训练细节，便于比较其与现有推理模型的定位。
Mistral AI 与 All Hands AI 合作发布面向软件工程任务的智能体模型 Devstral，以 Apache 2.0 许可开源。
推荐理由：官方给出 SWE-Bench Verified 46.8% 的横向对比与单卡本地部署门槛，便于判断开源编码智能体的可用边界。