Mistral AI 发布 Timestral 时间序列基础模型家族，提供 5M、28M、123M 和 209M 四种参数量规格，支持概率预测、多变量目标以及历史和已知未来的协变量。最大模型在 GIFT-Eval、TIME 和 fev-bench 三项公开预测基准中位列预训练零样本模型首位，并可通过 Mistral Forge 微调或部署到本地、VPC 和隔离网络环境。
推荐理由：同时给出模型规模、基准表现、推理速度与部署方式，便于读者判断不同规格在预测任务中的取舍。
GitHub 为秘密扫描设计了 Regex 候选生成与微调 ModernBERT 分类器组成的两阶段管线，用于结合上下文区分真实凭据和外观相似字符串。该分类器已将通用秘密检测扩展至 push protection，相比此前的 LLM 管线，仓库所有者加权接受率提高 11.5%，提交后扫描中位执行时间降低 86%，服务成本降低超过 98%。
推荐理由：GitHub 公开了紧凑型秘密检测模型的训练与混合扫描设计，并提供精度、召回率、延迟和成本数据。
Liquid AI 发布 LFM2.5-24B-A2B，这是一款总参数量为 24B、每个 token 仅激活 2B 参数的推理模型，面向端侧智能体的工具调用和多步任务。
推荐理由：原文同时给出模型架构、训练规模、端侧推理速度与多类评测结果，适合比较本地智能体的效果和部署成本。