Google DeepMind与Google Research发布WeatherNext 3，可每小时生成最高5公里分辨率的全球天气预报。相较25公里网格、6小时更新的WeatherNext 2，新模型的全球天气画面约锐利5倍；中期预报早期时效的CRPS相对IMERG最高改善60%，相对MRMS为30%，相对雨量计为10%。
推荐理由：WeatherNext 3将WeatherNext 2的25公里、6小时改为5公里与每小时更新，并接入Search、Gemini和Maps。
Google Research 推出时间序列基础模型 TimesFM-3，参数量为 330 million，预训练数据超过 1 万亿个时间点，可在单次前向中零样本联合预测多条序列。
Granite 4.2从Granite-4.1基座出发，经监督微调和多阶段GRPO强化学习，得到3B、8B、30B三款稠密仅解码器推理模型。监督微调约用7.2 million条样本（约100B token，其中约65B可训练）；基座则以约15T token分五阶段从零预训练，并把上下文扩到512K。
推荐理由：技术文按监督微调、GRPO与分阶段课程写清Granite 4.2的训练路径，并写明只有8B和30B做真实环境里的智能体训练。
Mistral 以 Apache 2.0 发布 3B 开源权重多模态安全分类器 Shieldstral，把内容审核做成推理时可用自然语言政策作答的二分类问答。请求包含评估说明、是否类问题和待审内容，模型只读取 yes 与 no 的 logits，经 softmax 得到连续安全分数，同一接口覆盖提示、回复、提示与回复组合以及图像。
Mistral 发布 8B 模型 Robostral Navigate，仅凭单目 RGB 相机和自然语言指令让机器人自主导航，在 R2R-CE 验证集未见环境达到 76.6% 成功率。
Google Research 推出零样本表格基础模型 TabFM，一次前向即可对未见过的表做分类和回归，无需逐表训练、调参和特征工程。它把整张表当作统一提示，用行列交替注意力、行压缩和 Transformer 做上下文学习，全部基于数亿个结构因果模型合成的数据集预训练。
推荐理由：把表格预测改写成上下文学习之后，读者可以对照传统树模型流程判断单次前向能否省掉调参和特征工程。