Asta 团队开源 AstaBrief 8B，这是一款根据研究问题和检索到的文献片段生成带引用报告的模型，也已作为 Asta 的 Fast 模式上线。该模型以 Qwen3-8B 为基础，开放模型权重和训练数据；在 Asta 全流程中，Fast 模式平均每份报告耗时 51.1 秒，Thinking 模式为 178.5 秒，约快 3.5 倍。
推荐理由：AstaBrief 的训练经验显示，筛除低引用密度样本比尝试更复杂的过滤组合更有效，为科学报告模型的数据筛选提供了具体参考。
NVIDIA 发布开源表格基础模型 Kumo Tabular，用于表格分类和回归，可根据带标签的上下文行在一次前向传播中预测新行，无需训练、调参或特征工程。模型有 28M 至 215M 参数的三种尺寸，以人工数据预训练，并在 TabArena、BeyondArena、TALENT 和 ScoringBench 四项基准上排名第一。
推荐理由：文章交代了人工合成表格预训练的构建方式，并列出四项基准结果，便于了解该模型的训练设计与评测表现。
Microsoft Research 发布 RetroChimera 逆合成研究，该模型结合 R-SMILES 2 与 NeuralLoc，并通过学习式集成重排两者提出的反应物预测。在多步合成路线评估中，RetroChimera 在十个具有挑战性的目标中成功完成九个，高于文中对比模型；其实现和权重已开源，也可通过 Microsoft Foundry 使用。
推荐理由：RetroChimera将两种互补的逆合成模型进行学习式重排，并以盲测和多步路线评估展示其表现，呈现了集成方法应对稀有反应的思路。
Microsoft Research 发布 GigaPath-Flash 和 GigaTIME-Flash 两款开放权重病理研究模型，面向全切片表征学习和肿瘤微环境空间蛋白质组预测。
推荐理由：这组模型将病理基础模型的计算成本与队列规模联系起来，文中给出的性能和资源对比可帮助研究者评估大规模分析的可行性。
Microsoft Research 发布 Skala 1.1，并宣布其已接入 CP2K，正集成至 Psi4、FHI-aims、ORCA 和 VASP。Skala 1.1 的训练数据量是首个公开版本的 2.5 倍，在 GMTKN55 的 55 个类别中有 32 个排名第一，平均加权误差为 2.8 kcal/mol；团队还发布了跟踪不同版本和软硬件平台计算性能的持续更新报告。
推荐理由：Skala 1.1 的精度提升与多软件集成同步推进，文中还介绍了持续更新的性能报告，呈现其走向计算化学工作流的路径。