NVIDIA发布开源表格预测基础模型Kumo Tabular，单次前向传播即可预测，无需训练或调优。在TabArena等四个基准上排名第一，28M至215M参数规模下准确-效率达前沿，比LimiX-2快17倍。模型基于Transformer仅在人工数据上预训练，以OpenMDW-1.1许可证商业可用。
推荐理由：表格预测长期依赖梯度提升树，Kumo Tabular以单次前向传播提供无需训练与调优的预测且在TabArena等基准排名第一。
Hcompany 发布智能体模型 Holo4，提供 27B 稠密版与 35B-A3B MoE，并推出 Holotron4 Nano。
推荐理由：同一模型同时覆盖图形界面、代码和工具调用，便于对照它在更低成本下与闭源模型的长流程得分差距。
Salesforce 在 Dreamforce 发布首个 CRM 推理模型 Koa，由 NVIDIA Nemotron 3 Super 后训练而来，可用 NVIDIA NeMo RL 等工具微调，训练语料覆盖 14+ 行业。
Interconnects 汇总了最新开源模型与许可证动态：Motif-3 采用 MIT 许可证并以有限资源取得亮眼成绩；GLM-5.3 从 MIT 转为自定义许可证，对推理与微调服务设置 100 亿美元营收门槛及安全审查；Hy4-preview 延续了腾讯模型迭代路径但存在过度思考问题；Qwen3.8-Flash-Next 展示了 125B-A6B 架构与 GDN 等新技术。
NeoMME是260M和800M多模态原生多语言编码器，单塔双向Transformer从零训练，无需独立视觉塔或因果语言模型。260M模型在ViDoRe v3上达0.523 nDCG@10，超越同参数模型，编码速度约2倍于ColModernVBERT。通过分层池化和非对称量化，late-interaction存储从1.5MB压缩至6kB/页，压缩255倍且保留95%以上检索质量。
推荐理由：单塔多模态编码器以260M参数在ViDoRe v3上超越更大模型，并通过分层池化和非对称量化将多向量检索存储压缩255倍同时保留95%以上质量。
IBM Granite 4.2 推理模型家族（3B/8B/30B）采用分阶段强化学习流水线构建，支持思考/非思考切换与低思考预算模式。8B 与 30B 经过智能体 RL 训练，可在真实沙盒环境中进行代码编辑、终端操作与网页搜索，训练基于 NeMo-RL 与 NeMo-Gym，最终以 Apache 2.0 许可证开源。
推荐理由：详细展示了从可验证奖励到智能体环境交互的分阶段强化学习流水线，为构建具备工具调用能力的推理模型提供了可复现的训练框架。
Together AI 在 113 个 DeepSWE 任务、每侧 452 次 rollout 上对比 GLM-5.3（max）与 GPT-5.6 Sol（max）。
推荐理由：同一跑道上 GLM-5.3 以一半价格逼近 Sol，在重试和覆盖率上反而反超，读者可据此设计前端开源、后端旗舰的级联路由。
Together AI 在 DeepSWE 基准上对比 DeepSeek V4 Pro 0813 与 Claude Fable 5：Fable 首试准确率 69.7% 高于 Pro 的 62.8%。
推荐理由：在 DeepSWE 评测中两款模型价格相差 90 倍但表现接近，读者可据此判断何时值得为 Fable 支付溢价。
NVIDIA 发布 364M 参数的开源语音合成模型 Magpie TTS Multilingual，支持 12 种语言，新增现代标准阿拉伯语、韩语和巴西葡萄牙语，并提供男声与女声。
Nathan Lambert 发布由 Manning 出版的后训练教材《Reinforcement Learning from Human Feedback: Aligning and Post-training LLMs》，配套 12 小时课程、代码练习与模型对比。书中覆盖 RL 算法直觉、系统设计因素、后训练历史、蒸馏以及过拟合与评估等常见陷阱，并强调理解研究价值与产业落地节奏。
Meta 发布 30B 参数多模态模型 Muse Glimmer，由 Muse 蒸馏而来，采用 Apache 2.0 许可，面向本地智能体场景。
推荐理由：原文给出 30B 多模态模型在同级开放模型中的基准对照，可据此判断本地智能体方案与部署路径的选型空间。
Mistral AI 发布 Shieldstral，一个 3B 开源权重多模态安全分类器，以 Apache 2.0 许可开放下载。它把内容审核建模为推理时传入纯语言策略的问答任务，无需重新训练即可适配新策略，在文本安全上匹配最高 7 倍规模的开源 guard 模型，并在多模态审核上刷新 SOTA。模型可在单张 16GB NVIDIA GPU 上运行。
Interconnects 复盘最新开放模型动态，指出多家公司持续投入训练并以开放方式发布模型，Thinking Machines 的 Inkling 与 Poolside 的 Laguna S2.1 等均在 Pareto 前沿有表现。DeepSeek-V4-Flash 在 OpenAI 降价后更新，Kimi K3 采用非商业许可并引发关于美国政策工具的讨论。
Thinking Machines Lab 发布 Inkling，Together AI 在发布当日将其上线至 Serverless 推理平台。Inkling 是 975B 总参数、40B 活跃参数的混合专家模型，支持 1M 上下文、接受文本、图像和音频输入并输出文本，提供可控推理强度设定，并在科学推理、数学、代码、预测等任务上进行了后训练。
推荐理由：原文给出 Inkling 的参数规模、上下文长度和可控推理设定，开发者可据此评估它在推理深度与 token 开销之间的平衡。
Mistral 发布 Leanstral 1.5，这是一个 Apache-2.0 许可的 Lean 4 形式验证模型，119B 总参数、6B 激活参数。它在 miniF2F 上达到 100%，解出 PutnamBench 587/672 题，FATE-H 为 87%、FATE-X 为 34%，权重已在 Hugging Face 开源并提供免费 API。
Google Research 推出 TabFM，将表格预测重构为上下文学习问题，单次前向传播即可生成零样本预测。该模型基于数亿个合成数据集训练，无需手动特征工程与超参调优，目前已开源并集成至 Google Cloud BigQuery。
Together AI 在 ICML 2026 发布九篇论文，覆盖智能体、模型塑造、算法优化、系统优化与内核五个层级。DSGym 提供 1000+ 任务统一评估框架，ThunderAgent 提升 1.5–3.6 倍智能体吞吐，TTT-Discover 用开源 120B 模型在数学、GPU 内核、算法和生物领域取得新纪录。
推荐理由：九篇论文覆盖从智能体到 GPU 内核的完整栈，读者可据此判断哪些层是当前性能瓶颈。
Nathan Lambert 亲测 GLM-5.2 后认为，它是首个在编码 harness 中表现可靠的开放权重通用智能体模型，Arena 评测中已能比肩 Claude Opus 4.8 的 max 模式。社区反响强烈，作者将其与 DeepSeek R1 类比，并指出这会给 Anthropic 带来定价压力，同时让开放模型经济迎来拐点。
推荐理由：作者以亲测视角说明 GLM-5.2 在编码智能体工作流中的可用性，为读者判断开放模型何时能替代闭源前沿模型提供可迁移观察。
Google DeepMind 发布开源实验模型 DiffusionGemma，采用并行扩散架构替代逐 token 生成，在本地 GPU 上实现最高 4 倍推理加速。
推荐理由：DiffusionGemma 采用并行扩散架构替代传统逐 token 生成方式，在本地 GPU 上实现最高 4 倍推理加速，为交互式本地工作流提供了新的速度方案。
Mistral 发布 Mistral Medium 3.5，一个 128B 稠密开源权重模型，具备 256k 上下文窗口，在 SWE-Bench Verified 上得分 77.6%。
推荐理由：128B 开源权重模型把编码智能体搬到云端，读者可据此判断自托管与异步并行任务的取舍。
Gemma 4 E2B/E4B 采用跨层 KV 共享以缩减长上下文缓存；Laguna XS.2 引入逐层注意力预算分配；ZAYA1-8B 使用压缩卷积注意力；DeepSeek V4 结合 mHC 与压缩注意力。原文聚焦 Transformer 块、残差流、KV 缓存与注意力计算部分，未涉及数据集、训练计划或 benchmark 对比。
伯克利研究团队综述了自适应并行推理（APR）范式，提出模型可自主决定何时分解任务、生成多少并行线程以及如何协调。APR 通过特殊控制标记在推理时动态分配串行与并行计算，相比固定并行和多数投票等方法能减少冗余并避免上下文膨胀。文中对比了 Multiverse 等修改推理引擎与 ThreadWeaver 等保持引擎不变的系统设计，并讨论了基于关键路径的并行效率奖励和当前开放问题。
推荐理由：原文梳理了自适应并行推理的范式与推理系统实现差异，读者可据此理解不同并行策略在延迟和准确率上的权衡。
Google DeepMind 发布 Gemma 4 开源模型家族，提供 Effective 2B、Effective 4B、26B MoE 与 31B Dense 四种规格，31B 在 Arena AI 文本榜位列全球第 3，26B 位列第 6。模型原生支持多模态、函数调用、128K–256K 上下文与 140+ 语言，并采用 Apache 2.0 许可证。
推荐理由：原文给出 Gemma 4 四种规格与 Arena 排名，读者可据此评估本地部署与边缘场景的可行性。
Mistral AI 发布 Mistral Small 4，统一推理、多模态与编码能力，Apache 2.0 开源许可。模型采用 MoE 架构，119B 总参数含 6B 激活参数，支持 256k 上下文，延迟优化下完成时间减少 40%、吞吐优化下每秒请求数提升 3 倍。来源：https://mistral.ai/news/mistral-small-4/
推荐理由：Mistral Small 4 将推理、多模态与编码能力整合进单一开源模型，用户无需在多个专用模型间切换即可处理复杂任务与文档分析。
Mistral 发布 Leanstral，首个面向 Lean 4 的开源代码智能体，在 FLTEval 基准上以 6B 参数超越多个更大开源模型。它通过 Mistral Vibe 集成、支持 MCP，提供免费 API 和 Apache 2.0 权重；pass@2 得分 26.3 仅需 $36，而 Sonnet 4.6 需 $549。
Together AI 研究团队通过主题中性的开放种子提示（如 "Actually," "Let's think step by step," 或仅标点）移除 chat 模板与系统提示，研究 LLM 的近无约束生成行为。
推荐理由：在无主题提示下观察模型原始生成分布，揭示了各模型族稳定的语义偏好与退化模式，为审计和指纹识别提供了新视角。
Sebastian Raschka 分析了 DeepSeek V3.2 的架构与训练更新，包括引入 DeepSeek Sparse Attention（DSA）提升长上下文效率、在 RLVR 基础上加入自验证与自精炼以改进数学推理，以及 GRPO 的多项稳定性改进。V3.2 保留与 V3 相同的 MoE+MLA 架构，并在推理任务上接近 GPT-5 与 Gemini 3.0 Pro 水平。
Mistral 3 包含 Ministral 3（3B/8B/14B）与 Mistral Large 3（41B 活跃/675B 总参数稀疏 MoE），全部 Apache 2.0 开源。
推荐理由：Mistral 3 同时覆盖从边缘到数据中心的稠密与稀疏 MoE 模型，并给出 NVFP4 checkpoint 与多平台部署入口，读者可据此评估自托管与云端方案的成本与性能取舍。
summary_zh: 文章梳理了近期出现的大语言模型非主流架构替代方案，包括文本扩散模型与线性注意力混合架构等。
Mistral AI 发布首个推理模型 Magistral，分开源的 Magistral Small（24B）与企业版 Magistral Medium；Magistral Medium 在 AIME2024 得分 73.6%，多数投票 @64 达 90%，Small 分别为 70.7% 与 83.3%。
推荐理由：Mistral 首次推出推理模型 Magistral，分开源与企业两个版本，读者可据此对比其推理能力与部署选择。
Mistral 发布 Mistral Medium 3，宣称以显著更低成本提供接近前沿大模型的性能。模型在编码与 STEM 任务上接近更大更慢的竞品，API 定价为输入 $0.4 / 输出 $2 每百万 token，可在四卡及以上自托管环境部署。
推荐理由：原文给出性能与成本对比，读者可据此判断它对现有开源大模型格局的影响。