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。
Google DeepMind 发布 WeatherNext 3，改用实时卫星观测数据直接训练全球天气 AI 模型。模型以 5 公里分辨率、每小时更新生成预报，降水预报 CRPS 最高较 IMERG 提升 60%，并已集成至 Search、Gemini、Maps 及 Google Cloud 平台。
推荐理由：WeatherNext 3 摒弃传统数值天气预报训练数据，改为直接使用实时卫星观测数据，将全球分辨率提升至5公里并实现每小时更新，降水预报CRPS最高改善60%。
Google Research 发布 TimesFM-3 时间序列基础模型，参数量 330M，预训练语料超过 1 万亿个时间点，原生支持多变量预测。模型可在单次前向传播中联合预测多条相关序列并输出 9 个分位数，同时支持历史协变量与已知未来协变量，无需任务级微调。
推荐理由：相比前代只做单变量预测，TimesFM-3 原生支持多变量与协变量输入，可用于零售、金融等实际预测任务。
Google DeepMind 发布 WeatherNext 模型，在气旋路径、强度和风场预测上平均比前代多出一天预报精度，相当于十年气象进展。该模型已在 Nature 发表论文，并在 2025 年飓风季帮助 NHC 对 Hurricane Melissa 做出历史性预报。
推荐理由：该模型在气旋路径、强度和风场预测上平均多出一天预报精度，相当于十年气象学进展，并已开源模型与代码供研究社区使用。
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。
Google Research 推出 S2Vec，一个自监督框架，通过将城市地理空间数据栅格化为多层图像并使用掩码自编码学习通用嵌入向量。在社会经济预测任务的零样本地理外推上，S2Vec 表现优于 SATCLIP、GEOCLIP、RS-MaMMUT、Hex2vec 和 GeoVeX 等基线模型。但在树冠覆盖率和海拔等环境任务上仍有明显改进空间。