NVIDIAとIIT MadrasのAI4Bharatは、インド憲法の22言語にわたる約2.8兆トークンのNemotron-pretraining-Indic-v1を、生成に使ったGPU高速化パイプラインとともに近日公開すると発表した。プロンプト、LLMワークフロー、品質チェックまで含む生成レシピを開放する。Nemotron 3.5 Super VLのIndic継続事前学習では、報告された5つのIndicベンチマークすべてでスコアが上がった。
Mistral AIが時系列基盤モデルのファミリー「Timestral」を公開した。最大の209Mパラメータモデルは、GIFT-Eval、TIME、fev-benchの3つの主要ベンチマークで1位となり、従来の最先端モデルよりも少ない3分の2のパラメータで上回った。5Mから209Mまでの4サイズがあり、推論にGPUは不要で、標準的なサーバーCPU（8スレッド）では1日先の予測に5Mモデルが10ms、209Mモデルが140msを要するとされる。
Dyna Roboticsは、100万時間超の人間の動画で事前学習したワールドアクションモデル「Dyna-2」を前月に発表した。続くロボット「Dyna-2.1」は、レストランのナプキン折りを24時間連続で99.4%の成功率でこなし、Din Tai Fungでは毎日数千枚を折っている。最短45分のデモで新タスクを学習できるといい、共同創業者のJason Maが自社ハードウェア開発やデータ不足の課題も語っている。
大規模言語モデル研究開発センター（LLMC）は、llm-jp-4-8b-thinkingをマルチモーダル化した視覚言語モデル「LLM-jp-4-VL 9B」を公開した。FineVisionの問題データを削除・修正したデータセット「RefinedVision」も併せて公開し、学習データは約2,930万件である。beta版よりGPQAやCharXiv Reasoningなどで性能が向上した一方、Qwen3.5-9Bとは多くのタスクで差が残る。
SB Intuitionsは、日本語に強い指示認識型テキスト埋め込みモデル「Sarashina3 embedding」のAPI提供を開始する。JMTEB（v1.4.0）の平均スコアは78.22で、比較対象のSarashina2 embedding（78.69）に次ぐ水準である。ベクトル次元を1536から256まで削減しても平均75.72を維持するとしている。
ELYZAは、医療領域に特化した日本語版LLM基盤「ELYZA-LLM-Med」シリーズを開発した。基盤モデル「ELYZA-Med-Base-1.0-Qwen2.5-72B」は、医師国家試験ベンチマーク「IgakuQA」で国内最高性能を達成したという。