Mistral AI 发布 Timestral 时间序列基础模型家族，提供 5M、28M、123M 和 209M 参数四种规格，支持概率预测、多变量目标以及过去和已知未来的协变量。209M 模型在 GIFT-Eval、TIME 和 fev-bench 三项主要公开基准中排名第一，可在 CPU 上推理，并可通过 Mistral Forge 进行领域适配。
推荐理由：Timestral 以 5M 至 209M 的四种规格覆盖时序预测需求，并提供预训练、零样本预测、微调及本地部署路径。
Apple Machine Learning Research 提出一种直接从语音检测语码转换的轻量方法，利用预训练语音编码器的帧级语言信息判断同一话语中是否包含两种语言。
研究团队从零预训练首个三模态 Masked Diffusion Models（MDM），统一处理文本、图文与音频-文本数据，并系统分析多模态扩展规律及训练配置。团队提出基于随机微分方程（SDE）的批大小重参数化，无需再调节最优批大小。初步 3B 模型使用 6.4T tokens，在文本生成、T2I 和 T2S 任务中取得较强结果。
Mistral在慕尼黑开设德国中心，组建专注Physics AI和工业AI的研究与应用团队，并直接服务企业合作伙伴。中心将与BMW开展碰撞仿真和工程AI合作、与Siemens Energy开发工业AI应用，并与慕尼黑工业大学研究汽车空气动力学数字孪生。Mistral还计划到2030年在欧洲建设1 gigawatt计算能力，并继续招聘相关研究与工程岗位。
推荐理由：Mistral在慕尼黑设立研发与应用中心，并披露与BMW、Siemens Energy及TUM合作推进工业AI和Physics AI。
Qwen 发布 Qwen-Drive-1.0-4B，以 Qwen3.5-4B 视觉语言模型为基础，在统一框架中实现 3D 感知、驾驶场景问答和运动规划。模型外接 BEV 感知头与 Planning Expert，分别完成 3D 目标检测、语义占用预测、BEV 地图分割及未来车辆轨迹生成。
推荐理由：Qwen-Drive-1.0 将 3D 感知、驾驶问答与运动规划整合到同一多模态框架，并公开权重和推理代码。
智谱发布 GLM-5.3，沿用 GLM-5.2 的基础模型，通过后训练提升复杂编码、长程任务和安全能力。官方称其 Z.ai Code Bench 相比 GLM-5.2 提升 50%，并在 Terminal Bench 3.0、Agents' Last Exam 和 CyberGym 等基准上达到开源 SOTA。
推荐理由：GLM-5.3 通过后训练强化复杂编码、长程任务和安全能力，并提供多框架部署与复现配置，便于评估实际应用边界。