Neuro-VL 是一个在近百万例常规临床神经影像检查上训练的视觉语言模型，能对完整检查做定位、描述、诊断和报告生成，并与使用者用自然语言讨论所见。研究在内部与24个国际公开数据集构成的NeuroBench上比较了它和GPT-5.4、Gemma 4及神经影像专用模型NeuroVFM：在17个任务-数据组组合中，Neuro-VL有16组优于GPT-5.4和Gemma 4，17组全部优于NeuroVFM，等权平均分别高出15.9、16.9和23.0个百分点。模型还被进一步微调出可比较前后两次检查的纵向版本，并在嵌入错误诊断或部位的提示下比GPT-5.4更少改口。
P2Echo把多切面超声心动图分割收进一个网络，操作者用“切面+目标结构”的结构化文字提示指定要分割的解剖部位，模型据此在解码器中动态调整特征。此前每个标准声窗通常要单独训练专用模型，或依赖难以显式控制的隐式先验。在内部数据上，P2Echo相对同样面向多切面的EchoONE在2CH、3CH、4CH上分别提高5.3、1.1、2.8 Dice，PSAX持平；三个外部数据集上保持竞争性表现，计算量为6.90 GFLOPs。
IBM 团队发布 LLMON（LLM Object Notation），一种用保留特殊 token 标记指令、数据与要求边界的标记语言，并推出基于 Granite 4.1 3B 与 8B 基座训练的两个实验预览模型。其思路是把上下文里语义连贯的组件各自变成可寻址的块，再由一个执行块声明运行哪条指令、作用于哪些数据、输出写到哪里。在 OPI 基准上，LLMON 预览模型比测试中最好的前沿模型多挡住 47% 的攻击、比最好的开源模型多挡住 95%，同时通用基准表现与 Granite 4.1 Instruct 相当。
Tether AI Research发布BotPsy，一个基于Qwen3.5-0.8B、面向函数调用与智能体工作流的0.8B参数模型，可在设备端运行。它经监督微调、多教师在线蒸馏和两轮强化学习训练，在BFCL v4上从基座的23.4升到44.0，在τ-bench上从23.2升到51.5，并在六项工具调用与智能体基准中的五项超过参数量为其2.5倍的Qwen3.5-2B-Think，仅在Claw-Eval上落后（46.5对48.9）。模型仍会出错，定位为低到中等难度任务，不适用于高风险场景。
PixVid把预训练的潜空间视频扩散模型改造成逐帧在像素空间生成的模型：保留扩散Transformer，用卷积细节头替换VAE解码器，并从Wan2.1-14B微调。它在VBench上总分85.09（960p）与84.78（480p），高于Wan2.1的84.05和PixelUMM的83.72；在快速运动片段上保留98%的源运动，而同样微调的潜空间模型为83%。
Duo v1 是一个全双工世界模型，它在持续接收用户音视频的同时实时生成助手的声音与画面。此前的世界模型多把智能放在世界之外，用户只能靠键盘、鼠标或文本提示操控场景，世界内部没有谁实时感知用户并决定如何回应。Duo v1 把交互切成 17 帧（24 fps 下约 0.71 秒）的块，由语言意图模块逐块决定说话还是等待，再由因果音视频模块生成对应的声音与画面；在 30 个实时双工案例、6 项二元标准的 180 次检查中通过 168 次，其中语言、语音清晰度和视觉身份三项共 90 次全部通过，内容回应性为 73.3%。
Neuro-VL 是一个在近百万例常规临床神经影像检查上训练的视觉语言模型，能对完整检查做定位、描述、诊断和报告生成，并与使用者用自然语言讨论所见。研究在内部与24个国际公开数据集构成的NeuroBench上比较了它和GPT-5.4、Gemma 4及神经影像专用模型NeuroVFM：在17个任务-数据组组合中，Neuro-VL有16组优于GPT-5.4和Gemma 4，17组全部优于NeuroVFM，等权平均分别高出15.9、16.9和23.0个百分点。模型还被进一步微调出可比较前后两次检查的纵向版本，并在嵌入错误诊断或部位的提示下比GPT-5.4更少改口。
P2Echo把多切面超声心动图分割收进一个网络，操作者用“切面+目标结构”的结构化文字提示指定要分割的解剖部位，模型据此在解码器中动态调整特征。此前每个标准声窗通常要单独训练专用模型，或依赖难以显式控制的隐式先验。在内部数据上，P2Echo相对同样面向多切面的EchoONE在2CH、3CH、4CH上分别提高5.3、1.1、2.8 Dice，PSAX持平；三个外部数据集上保持竞争性表现，计算量为6.90 GFLOPs。
IBM 团队发布 LLMON（LLM Object Notation），一种用保留特殊 token 标记指令、数据与要求边界的标记语言，并推出基于 Granite 4.1 3B 与 8B 基座训练的两个实验预览模型。其思路是把上下文里语义连贯的组件各自变成可寻址的块，再由一个执行块声明运行哪条指令、作用于哪些数据、输出写到哪里。在 OPI 基准上，LLMON 预览模型比测试中最好的前沿模型多挡住 47% 的攻击、比最好的开源模型多挡住 95%，同时通用基准表现与 Granite 4.1 Instruct 相当。
Tether AI Research发布BotPsy，一个基于Qwen3.5-0.8B、面向函数调用与智能体工作流的0.8B参数模型，可在设备端运行。它经监督微调、多教师在线蒸馏和两轮强化学习训练，在BFCL v4上从基座的23.4升到44.0，在τ-bench上从23.2升到51.5，并在六项工具调用与智能体基准中的五项超过参数量为其2.5倍的Qwen3.5-2B-Think，仅在Claw-Eval上落后（46.5对48.9）。模型仍会出错，定位为低到中等难度任务，不适用于高风险场景。
PixVid把预训练的潜空间视频扩散模型改造成逐帧在像素空间生成的模型：保留扩散Transformer，用卷积细节头替换VAE解码器，并从Wan2.1-14B微调。它在VBench上总分85.09（960p）与84.78（480p），高于Wan2.1的84.05和PixelUMM的83.72；在快速运动片段上保留98%的源运动，而同样微调的潜空间模型为83%。
Duo v1 是一个全双工世界模型，它在持续接收用户音视频的同时实时生成助手的声音与画面。此前的世界模型多把智能放在世界之外，用户只能靠键盘、鼠标或文本提示操控场景，世界内部没有谁实时感知用户并决定如何回应。Duo v1 把交互切成 17 帧（24 fps 下约 0.71 秒）的块，由语言意图模块逐块决定说话还是等待，再由因果音视频模块生成对应的声音与画面；在 30 个实时双工案例、6 项二元标准的 180 次检查中通过 168 次，其中语言、语音清晰度和视觉身份三项共 90 次全部通过，内容回应性为 73.3%。