IBM 發布了兩個實驗性預覽模型 granite-4.1-3b-LLMON-preview 與 granite-4.1-8b-LLMON-preview，它們衍生自 Granite 4.1 基礎檢查點，並經過訓練以讀取與生成 LLMON——一種 LLM 原生標記語言，以保留的特殊 token 定界符標示指令、資料與需求。在 OPI 基準上，這些模型比測試中最佳的前沿模型多避開 47% 的間接提示注入攻擊，比最佳的開源模型多避開 95%，同時在標準基準上的表現與 Granite 4.1 Instruct 相當。此次發布包含一個 GitHub 工具包，內含無損的 JSON 轉 LLMON 轉換器，作者指出此預覽版僅供探索，並非用於生產環境。
推薦理由：IBM 在 Granite 4.1 上訓練出能讀寫 LLMON 標記的預覽模型，透過顯式分離指令與資料，將 OPI 基準上的間接提示注入成功率壓到接近零，同時保持通用能力。
Amazon 推出 Mitra-v2，這是第二代用於分類與迴歸的表格基礎模型，隨附微調後的模型以及推論與微調程式碼，以 Apache-2.0 授權在 Hugging Face 上發布。它是在合成表格上預訓練的，列數是 Mitra-v1 的 10 倍、欄數約為 3 倍，採用新的混合 SCM 先驗與混合優化器，同時保持 Transformer 架構不變。在涵蓋 51 個真實世界資料集的公開基準 TabArena 上，Mitra-v2 在單一模型領域領先，在兩者皆原生執行的 33 個資料集中有 32 個勝過 Mitra-v1，並在一小時預算內完成全部 51 個資料集；微調後的 Mitra-v2 也在 ScoringBench 上排名第一。
推薦理由：Mitra-v2 顯示，擴大合成預訓練資料而非加深網路，能將表格基礎模型推上 TabArena 單一模型領域的頂端。
Hugging Face 發布了一篇關於決策模型的說明文章，這類模型接收狀態與具型別的問題，並回傳預定義答案上的機率，而非生成文字。文章詳細介紹了 choice、score 與 noul 原語、信心公式，以及透過 Transformers 的 DecisionPipeline 與 AutoModelForDecision 提供的新支援、Transformers 與 llama.cpp 中共用的 /v1/systemone 端點、用於探索的 Hub 標籤，以及使用 Trainer API 進行微調。文章指出，同一個端點也能透過在批次前向傳遞中對答案 logits 評分，與相容的自迴歸 LLM 搭配運作。
推薦理由：Hugging Face 解釋了決策模型如何將分類轉變為具型別、非生成式的介面，並展示如何用 Transformers 與 llama.cpp 來服務與微調這些模型。
Thinking Machines 發布了 Inkling，這是一個通用多模態模型，可接收文字、圖像和音訊輸入並輸出文字，而 Modal 從第一天起就以基於 token 的定價，透過受管端點（Managed Endpoint）提供該模型。Inkling 是一個混合專家（MoE）Transformer，總參數 975B，活躍參數 41B，上下文視窗 1M token，原生支援音訊與視覺，每五層滑動視窗注意力層搭配一層完整注意力層。在配備 8 張 B200 的代理式工作負載上，Modal 自訂的 DFlash 推測器在每 GPU 吞吐量 2.5M TPM 時，達到每位使用者每秒 250 個 token，在相同吞吐量下，互動速度比模型內建的推測路徑快 67%。
推薦理由：Modal 為 Thinking Machines 的 975B 參數 Inkling 提供首日端點，展示了自訂 DFlash 推測器如何將互動速度提升至比模型內建推測路徑快 67%。