标签
介绍了CardioState-JEPA，一种心脏基础模型，利用延迟感知的联合嵌入预测架构，在ECG、PPG和PCG信号之间学习共享表征，从而改进下游心脏分类任务。
本文提出了一种市场信息感知的门控LoRA框架，将Chronos-2时序基础模型适配到日前电价预测，提高了中国省级市场的跨市场可迁移性。
Intern-S2-Preview 是一个科学智能体基础模型系列，集成了多模态预训练、多任务强化学习和记忆增强扩展，用于长周期科学推理与预测。397B 模型在科学和智能体基准测试中取得了具有竞争力的结果，其独立的记忆解码器扩展在不修改骨干网络的情况下提升了生物学指令性能。
DoGMA 是一种中心法则引导的泛癌多组学分析基础模型，采用 Transformer-MoE 架构，通过定向注意力对齐 DNA-RNA-蛋白质信息流，并利用掩码层次组学重构进行预训练。它在癌症表征学习、生存预测和转移预测任务中均表现出强劲性能。
Prodigy Research，一家由YC S26支持的初创公司，宣布推出其前沿AI交易研究实验室，声称要训练一个顶级量化金融基础模型，其表现优于顶级交易员和主要指数。
一位用户对 Meta 宣布开源 Muse Glimmer 以及即将推出的 Muse Spark 1.2 做出回应，称如果 Spark 1.2 采用 Apache 2.0 许可证且确实很出色，他就会道歉。
Meta 正准备发布其最新基础模型 Muse Spark 1.2 的权重，该模型将可供广泛使用。
RynnValue 引入了一个开源的机器人价值基础模型，该模型将时间距离作为奖励学习的可扩展监督目标，在 RBM-EVAL-OOD 上超越了基于偏好监督的最先进方法，并提高了真实世界策略的成功率。
研究人员创建了 VirTues，这是一个用于空间蛋白质组学的统一基础模型，能将多样化的组织成像数据转化为标准语言，从而实现更快、更准确的医学诊断和个性化治疗。
一个新的1.1B参数DNA基础模型MarinDNA v0.5 scaling ladder在Hugging Face上发布；它可以读取和生成DNA序列，据称在变异效应预测方面可与Evo 2 40B相媲美。
本文使用美国地质调查局（USGS）流域尺度数据，系统评估了包括TabPFN基础模型在内的15种机器学习模型在野火后泥石流预测中的表现，发现TabPFN取得了最佳性能（威胁评分为0.637），并且合成数据增强能改善大多数模型的性能。
LG AI Research presents K-EXAONE 2.0, a 750B-parameter MoE foundation model upcycled from K-EXAONE, supporting 256K context and six languages, with self-speculative decoding for efficient inference.
本文介绍了TS2TabPFN，这是一个将显式特征提取与TabPFN 2.5表格基础模型相结合用于时间序列分类和外部回归的框架。实验表明，它在TSER任务上优于最先进的模型，并在TSC任务上取得了具有竞争力的结果。
小米开源了Xiaomi-Robotics-1，这是一个在超过10万小时的UMI数据上预训练，并在1万小时以上的跨具身数据上后训练的具身AI基础模型。此次发布包含完整的真实机器人后训练与部署流程，旨在挑战Figure AI和Tesla的专有机器人模型。
小米发布了 XR-1，这是一个机器人基础模型，基于超过 10 万小时的真实世界操作轨迹进行训练。它基于 Qwen3-VL 和 Diffusion Transformer 构建，能够在未见过的环境中实现开箱即用的移动操作。
K-EXAONE 2.0 是 LG AI Research 推出的开源权重多语言 MoE 基础模型，总参数达 750B，激活参数为 37B，支持 10 种语言和 256K 上下文，在智能体编码、长上下文理解和安全性方面均有显著提升。
微软研究院与Paige联合推出PRISM2，这是一个在病理图像和语言上训练的多模态基础模型，在多个基准测试中无需任务专用模型即可媲美专门的癌症检测系统。该模型的权重已在Hugging Face上公开，供研究使用。
本文提出DualIFM，一种为视网膜眼底图像设计的可解释基础模型，以更少的参数实现与RETFound相当的性能，同时提供可解释的预测。
Memtensor Research Group 发布了 Metis，这是一个 LLM 系列（4B/9B/27B），将记忆内化到骨干网络中，从而无需外部 RAG。该模型在单次前向传播中完成记忆读写，并以冻结权重的方式部署，如同标准 LLM。
Introduces ZUNA1.1, a 380M-parameter diffusion autoencoder for flexible EEG signal reconstruction, capable of handling variable-length sequences, arbitrary channels, and temporal intervals, while outperforming standard interpolation methods. The model is released open source under the Apache 2.0 license.