在2026香港金融科技周开幕式上，度小满、香港科技大学与HKGAI联合发布轩辕4.5金融增强大模型，包含大语言模型和多模态模型。轩辕4.5将自进化RSI技术用于模型训练及智能体场景目标适配，在获客、风控、客户经营等核心金融场景实现效果提升30%，成本仅为通用模型的10%。基于轩辕，度小满已构建上千个智能体、5000余项技能，日均Token使用量超过1000亿。
推荐理由：轩辕4.5将自进化RSI用于模型训练与智能体适配，并给出获客、风控等场景效果提升30%、成本仅为通用模型10%的对比。
美团发布新一代原生多模态大模型 LongCat-2.5，面向长程智能体任务，总参数量为 1.6 万亿。该模型全程在国产算力上训练，36氪称其是目前国产算力上完成的最大训练任务。评测结果显示，其在多项主流基准中的成绩介于 Claude-Opus-4.8 与 Claude-Opus-5 之间，部分评测超过 Claude-Opus-5。
推荐理由：材料集中给出模型定位、参数量、训练算力来源和基准对标，读者可据此比较其技术定位与相对表现。
国产开源文档解析模型 OXR 以 1.3B 参数量登顶三项文档解析榜单。在 OmniDocBench、olmOCR-Bench 和 DocParsingBench 上得分分别为 97.18、87.84 和 87.76；后训练采用递归自我改进（RSI），让系统自行找错、归因并生成下一轮训练数据。
NVIDIA 发布开放权重模型 Nemotron 3.5 Transcribe，并开放 Granary v2 多语种数据管线；前者集成 40 种语言转录、31 种语言与英语互译、说话人区分和英文音频问答。
推荐理由：原文给出从提示词优化到数据构造、LoRA 微调、检查点选择和评测的完整医疗语音适配流程，可直接用于复现同类场景。
Nvidia 发布开放权重转录模型 Nemotron 3.5 Transcribe，支持最多 40 种语言，并推出开源语音数据集 Granary v2。公司称，该模型可在英语与 31 种语言之间双向翻译，处理最长 1 小时录音、区分最多 8 位说话者，并在 Hugging Face Open ASR Leaderboard 等基准上超过竞争对手。
推荐理由：开放权重与单芯片运行范围，结合语言支持、录音时长和基准信息，为会议及医疗转录场景的模型选型提供具体参考。
科大讯飞发布讯飞星火X2.6，采用全国产算力训练，由一个云端大模型搭配4B端侧模型，并按任务难度和数据敏感度决定本地执行、两端协同或云端处理。长程任务动态并行训练使超长上下文训练效率提升约4倍，自适应存算协同结合四层KVCache和分布式推理，使推理效率提升4.5倍。4B端侧模型将复杂智能体任务完成率推至41.9%，端云路由准确率为96.1%，敏感资料可在本地关联或脱敏后再上传。
推荐理由：端云路由、长程任务动态并行训练与存算协同给出了明确指标，呈现了国产算力受限下兼顾效率和数据本地化的实现路径。
炎曦动力公开具身基座模型 Paimon-0，在 RoboColiseum 以 0.7754 排名第一，并超过 GPT-6 Astra。它在 RoboCasa365 和 VLA-Arena 分别以 58.1、0.73 排名第一，并以 46.599 总分夺得启元机器人 IROS Workshop 双臂机器人挑战赛冠军。
推荐理由：文章以榜单成绩和端云协作为线索，解释 Paimon-0 的 query token 蒸馏、自我改进设计及其与机器人芯片方案的衔接。
Destined AI 发布开源英语 TTS 模型 Hurston-1，支持美国南部及多类非洲英语口音。phone 模式输出 8 kHz G.711 mu-law 音频并可接入 Twilio，默认仍为 24 kHz，项目地址为 https://huggingface.co/destined/hurston-1。
推荐理由：Hurston-1 同时提供多口音合成、8 kHz 电话输出和 WER 与盲听评测，可用于构建客服及语音智能体的口音测试数据。
Block 发布从头训练、完全不使用文本数据的 AI 语音模型 Dessa，直接处理音频以识别文本模型遗漏的情绪、讽刺、笑声和停顿。Dessa 支持全双工通信，可同时听和说，并在 MacBook Pro M4 Max 本地运行，训练使用单个 NVIDIA GB200 NVL72。该模型尚未公开，Block 正邀请 AI 安全研究者测试潜在风险，可通过表单报名。
同一件事，精选收录的是《Block 发布可本地运行的全双工语音模型 Dessa》
阿里巴巴旗下高德发布全身基座模型 λ0，仅用人类行动数据即可让机器人学习移动、姿态和双手操作的全身协调。λ0 在 SIMPLE 仿真基准及多项真机评测中取得 SOTA，采集效率约为主流方法的3.4倍，真机任务成功率较最强对比基线提升22.5%。
推荐理由：λ0以人类全身数据训练机器人，披露3.4倍采集效率、22.5%真机成功率提升及开源入口，便于对照全身动作对齐的实现与迁移效果。
OlmoEarth v1.3 发布卫星嵌入模型及全球年度预计算数据，为全球每个 10m 像素提供 64 或 128 维嵌入，并上线 OlmoEarth Embeddings Explorer。
推荐理由：模型不仅开放权重、数据和代码，还提供全球预计算嵌入与浏览器工具，读者可据此评估低算力遥感制图工作流。
Recursive 发布免费编码模型 Flint，可在笔记本上离线运行；公司称 Eureka Machine 参与了几乎全部开发流程。Flint 采用 MoE，每次任务激活 40B 参数中的 2.5B，并以 Apache 2.0 许可在 Hugging Face 免费下载。
推荐理由：材料同时交代 Flint 的端侧运行、参数规模、速度、基准表现和外部试用，并标明哪些数据来自公司测试，便于比较同级编码模型。
NVIDIA 发布预训练关系型基础模型 Kumo Relational，连接数据库并描述预测目标后，可在一次前向计算中直接生成结果，无需任务特定训练或特征工程。
推荐理由：Kumo Relational直接面向关系型数据库预测，并以41项任务结果对照监督学习和专家特征流水线，呈现免任务训练的结构化数据建模路径。
千诀科技在首届2026物理AI与世界模型大会上发布预测式世界模型Polibrain，连接环境感知、行动预测、任务决策、执行与反馈调整。该模型不追求完整生成未来每一帧画面，而是聚焦影响行动的关键状态，已在四足、人形、轮式和双臂等机器人形态上开展适配。文章还介绍千诀与清华团队2025年在ICML发表的世界模型研究，并称相关公开探索比LeCun团队的相近工作早约一年，复杂场景可靠性仍需更多实测。
推荐理由：文章拆解了Polibrain预测关键状态、闭环调整和跨本体复用的设计，并交代其在四足、人形、轮式等机器人上的适配情况。
NVIDIA Kumo Forecast 将预训练时间序列表示与历史模式检索结合，用于多变量时间序列预测并提供可解释结果。它以 MOMENT-1-large Transformer 为骨干，DARR 模式通过最近邻方式检索历史模式，并按预测步长提供滞后项和特征归因。
推荐理由：文章拆解了直接预测与 DARR 历史模式检索的组合方式，并给出输入限制和应用评测路径，便于设计自有数据验证。
NVIDIA 扩展面向欧洲行业的开放模型组合，覆盖语言、机器人、生物与量子计算，并支持结合本地数据和自有基础设施部署。
MemT团队开源发布MemT 1.0系列，在选定Transformer模块中加入并行记忆分支，将经验编码为内部动态状态并学习其写入、更新和读取。
推荐理由：MemT 1.0的架构拆解与SWE-bench Verified对照，呈现了原生记忆在成功率、重复运行可靠性和持久状态占用上的具体差异。
marcusbuffett 用 10 个月自建了 199M 参数的类人国际象棋模型 Chessbook-1，基于 12 个月 Lichess 对局训练，可在 600–2800 段位和各类时间控制下模仿人类走法、错误节奏与思考时长。
推荐理由：作者给出评估类人棋手的分等级方法，模型在30000盘随机局面和blitz测试中与Allie 2.0持平、时间压力下优于Maia-3，可供想训练或评测类人AI对手时复用。
智谱推出法律专用开源模型 GLM-Legal，在 Vals AI 法律评测中以 19.2% 的任务全通过率和 86.23% 的准确率位列 Harvey LAB 与 LegalBench 双榜开放权重模型榜首。
推荐理由：给出了 GLM-Legal 在 Harvey LAB 等榜单上的通过率与和 Gemini 4 Argon 的成本对比，读者可据此评估法律垂直模型在真实律所任务中的取舍。
Nemotron-3-Ultra-CC 在 IOI 2026 拿到 535.4/600 分（来自与人类选手同条件的非官方测试），超过 361.12 的金牌线；IMO 2026 的 generate-verify-refine 系统由官方阅卷人评分，取得 30/42 分，超过 29 的金牌阈值。
推荐理由：展示了 Nemotron 通过微调与推理协同在 IOI 与 IMO 同时达到金牌水平，并公开了完整数据集与训练配方。
NVIDIA 发布开源表格预测基础模型 Kumo Tabular，无需训练或特征工程即可在单次前向中对分类与回归任务预测新行标签。模型分 28M 到 215M 三种参数量，在 TabArena、BeyondArena、TALENT 和 ScoringBench 四个公开榜单上均排名第一。
推荐理由：原文给出无需训练、单次前向即可预测的表格预测基础模型，在四个公开榜单上均居首位，可作为评估其相对现有表格方法的精度与效率参考。
Google DeepMind 与 Google Research 推出 WeatherNext 3 天气预报 AI 模型，是其迄今最先进且精度最高的全球天气模型。
推荐理由：对比上一代在分辨率、刷新频率和降水精度上的提升，以及在搜索、Gemini、地图等产品中的落地范围。
Google Research发布时序基础模型TimesFM-3，首次原生支持多变量零样本预测。模型拥有3.3亿参数，在超过1万亿时间点的真实与合成数据上预训练。
推荐理由：对比了TimesFM-3与Chronos-2、Toto 2.0等模型在Gift-Eval等基准上的排名，读者可据此了解多变量时序基础模型的当前能力。