Mistral 发布 Mistral Large 4 公开预览版，月底开放权重
Mistral 发布 Mistral Large 4（ML4）公开预览版，这是一个 1 万亿参数、490 亿激活参数的原生多模态模型，权重将于本月底开放下载。
推荐理由：官方发布了参数规模、基准分数、训练基础设施和权重开放时间表，读者可据此评估它在开源阵营中的实际位置。
多模态
全部主题文本之外的能力：视觉理解、图文混合、音视频输入输出的模型与产品进展。
最新精选
第 1–20 条 · 共 29 条Mistral AI精选AI 评分7575 Google DeepMind精选AI 评分6868 Google DeepMind 发布开源轻量多模态嵌入模型 EmbeddingGemma 2
Google DeepMind 发布 EmbeddingGemma 2，基于 Gemma 4 架构、740M 参数，采用 Apache 2.0 许可，将文本、代码、图像、视频和音频统一映射到共享嵌入空间。
推荐理由：官方给出了参数量、内存占用和基准得分等具体指标，可帮助读者评估它是否适合端侧检索场景。
Hugging Face Blog精选AI 评分6363 Hugging Face 发布 Open TTS Leaderboard：用客观指标评测多语言 TTS 与声音克隆
Hugging Face 推出 Open TTS Leaderboard，用 Qwen3 ASR 的 WER/CER、H200 上的 RTFx 和 TTFA 以及 WavLM 说话人相似度等客观指标评估开源 TTS 模型，把单模型评测时间从约两周缩短到数小时。
推荐理由：原文说明了用客观指标将 TTS 评测从数周缩到数小时的做法，以及主流竞技场对开源模型覆盖不足的结构性原因。
Microsoft Research精选AI 评分6262 Microsoft Research 发布面向生物学的 AI 研究系统 Quine
Microsoft Research 推出 Quine，一个包含生物学多模态世界模型和连接科学工具、文献与科研人员的交互框架的研究系统。它与 Broad Institute 合作将其用于胰腺导管腺癌（PDAC）研究，预测并排序可驱动肿瘤细胞状态转变的化合物，湿实验验证了排名靠前的候选化合物，从缩小化合物范围到确定待验证候选只需一个周末。
推荐理由：微软官方介绍 Quine 的架构与 PDAC 癌症研究实测结果，读者可以了解 AI 世界模型如何压缩湿实验迭代周期。
Hugging Face Blog精选AI 评分6060 Liquid AI 发布 LFM2.5-VL-3B 的 DSpark 草稿模型，加速视觉语言推理
Liquid AI 发布面向视觉语言模型 LFM2.5-VL-3B 的实验性 DSpark 草稿模型，通过投机解码在不改变输出质量的前提下换取更快推理，解码在设备端最高加速 3.13x、H100 上最高 2.66x，端到端分别为最高 2.62x 和 2.27x。
推荐理由：原文给出视觉语言模型的投机解码加速方案、具体倍数与内存开销，并覆盖 llama.cpp、MLX-VLM、SGLang 的接入方法。
Google DeepMind精选AI 评分7070 Google DeepMind 为 Gemini 3.7 Flash 等 Flash 模型推出 agentic 视频理解功能
Google DeepMind 发布 agentic video understanding，覆盖 Gemini 3.7 Flash、3.6 Flash 和 3.5 Flash-Lite，通过动态搜索和检查视频片段替代固定 1 FPS 的静态处理，官方基准显示成本最多降 66%、token 消耗最多降 88%、准确率最多提升 7%。
推荐理由：官方给出成本、token 和准确率的具体变化数字与开启方式，开发者可直接评估是否切换现有视频处理流程。
Google DeepMind精选AI 评分6060 Google DeepMind 发布 Gemini Omni 1.1 Flash，强化生成视频创作控制
Google DeepMind 于 8 月 27 日发布 Gemini Omni 1.1 Flash，带来面向开发者的生成视频创意控制套件，可通过 Gemini API 在 Google AI Studio 中使用。
推荐理由：官方发布给出了场景延展、关键帧插值、4K 放大等新能力的具体参数和开放渠道，开发者可据此评估是否接入生成视频工作流。
Google DeepMind精选AI 评分7474 Google DeepMind 发布手语转文本模型 SL2T，登陆 Gboard 和 Live Transcribe
Google DeepMind 发布大规模多语言手语转文本（SL2T）翻译模型，为聋人和听障用户带来新的手语输入功能，率先在 Pixel 11 的 Gboard 和 Live Transcribe 中支持美国手语（ASL）转英文，后续将扩展更多设备和语言。
推荐理由：原文给出模型训练规模、基准分数和隐私设计等具体细节，读者可以了解手语翻译落地的真实技术路线。
Google Research精选AI 评分6565 Google 发布 AMIE (Video)，实现实时音视频临床问诊
Google Research 推出基于 Gemini 和 Project Astra 的 AMIE (Video)，可进行实时同步临床视频问诊，感知非语言线索并引导虚拟体格检查。
推荐理由：原文给出架构设计、评测规模和与 PCP 对比的量化结果，还坦承模拟场景等局限，可帮助读者理解音视频临床 AI 的实际边界。
Hugging Face Blog精选AI 评分7878 Meta 发布开源多模态模型 Muse Glimmer-30B，主打本地智能体场景
Meta 今日发布 30B 参数多模态开源模型 Muse Glimmer，从 Muse 蒸馏而来，采用 Apache 2.0 许可，面向本地部署的隐私场景与编码、文档分析、个人助理等智能体用途。
推荐理由：原文给出架构细节、Agent 基准对比和各推理栈的 day-0 用法，读者可据此评估本地多模态部署的选择。
Google DeepMind精选AI 评分6767 Google DeepMind 发布 Gemini Robotics ER 2，强化视频理解、任务编排与多机器人协作
Google DeepMind 发布 Gemini Robotics ER 2，定位为机器人的高层具身推理模型，可编排 VLA 模型等底层控制接口并调用 Google Search 等工具。
推荐理由：官方给出了进度分类、时刻定位等具体基准数字和多机器人协作演示，读者可据此评估这款具身推理模型在真实机器人编排中的可用性。
Hugging Face Blog精选AI 评分8080 Thinking Machines 发布万亿参数开源多模态模型 Inkling 及 Inkling-Small
Thinking Machines 在 Hugging Face 发布开源多模态模型 Inkling，总参数约 1T（975B，激活 41B 的 MoE），原生接收图像、文本和音频输入，支持 1M 上下文，训练数据为 45 万亿 token，包含 BF16 和 NVFP4 权重。
推荐理由：官方博客给出架构细节、各档位 VRAM 需求和部署配置，读者可以据此评估多模态部署成本与选型。
Google DeepMind精选AI 评分7373 Google DeepMind 发布 Nano Banana 2 Lite 并向开发者开放 Gemini Omni Flash
Google DeepMind 发布 Nano Banana 2 Lite（gemini-3.1-flash-lite-image），为家族中最快最省的图像模型。
推荐理由：原文给出两款模型的速度、价格与可用入口，还说明了各自定位和 API 限制，便于开发者评估是否替换现有工作流。
Mistral AI精选AI 评分7070 Mistral 发布 OCR 4：支持边界框、块分类与置信度分数
Mistral 发布 OCR 4 文档解析模型，在提取文本之外返回边界框、类型化块分类和逐词置信度分数，支持 170 种语言、10 个语言组，可通过单个容器完全自托管。
推荐理由：原文来自 Mistral 官方，给出 OCR 4 的结构化输出、多语言支持和自托管选项，还披露了基准评分局限，可作选型参考。
Google DeepMind精选AI 评分7878 Google DeepMind 发布 Gemini 3.5 Live Translate 语音翻译模型，支持 70+ 语言近实时语音转语音翻译
Google DeepMind 发布音频模型 Gemini 3.5 Live Translate，支持 70+ 语言自动检测的近实时语音转语音翻译，连续生成保留说话者语调、节奏和音高的译文，全程仅落后说话者几秒。
推荐理由：官方公告给出了模型能力、开放入口和各产品落地细节，读者可以据此判断它对实时语音翻译工作流的改变。
Google DeepMind精选AI 评分7676 Google DeepMind 发布 Gemma 4 12B 统一无编码器多模态模型
Google DeepMind 发布 Gemma 4 12B，一款统一、无编码器的多模态模型，视觉和音频输入直接进入 LLM backbone，定位介于 E4B 与 26B MoE 之间。
推荐理由：原文给出无编码器架构、16GB 内存可跑和 Apache 2.0 开源等具体变化，读者可据此评估端侧部署选择。
Google DeepMind精选AI 评分8282 Google DeepMind 发布 Gemini Omni Flash 视频生成模型
Google DeepMind 推出 Gemini Omni 家族首个模型 Gemini Omni Flash，可组合图像、音频、视频和文本输入生成视频，并通过自然语言多轮编辑，支持角色一致性和物理表现。
推荐理由：官方首次介绍 Omni 家族，说明了对话式改视频、多输入组合和物理表现的具体能力边界。
Google DeepMind精选AI 评分6161 Google 扩展内容溯源工具：SynthID 验证进入 Search 与 Chrome，Pixel 视频支持 Content Credentials
Google 于 5 月 19 日宣布扩展内容透明与验证工具，覆盖 Search、Gemini、Chrome、Pixel 和 Cloud。
推荐理由：原文梳理了 SynthID 水印、C2PA Content Credentials 验证在 Search、Gemini、Chrome、Pixel 的扩展路径和落地节奏，可据此了解内容溯源工具的现状。
Google DeepMind精选AI 评分6666 WeatherNext 如何帮助美国国家飓风中心提前预测飓风 Melissa 登陆牙买加
Google DeepMind 的 AI 气象模型 WeatherNext 提前 5 天、以 80% 置信度预测出飓风 Melissa 将以 Category 5 强度登陆牙买加，3 天前置信度升至接近 100%。
Google DeepMind精选AI 评分8484 Google DeepMind 发布 Gemini 3.5，率先推出 3.5 Flash
Google DeepMind 发布 Gemini 3.5 模型系列，首先推出 3.5 Flash，定位智能体与编码，在 Terminal-Bench 2.1（76.2%）、GDPval-AA（1656 Elo）、MCP Atlas（83.6%）和 CharXiv Reasoning（84.2%）上超过 Gemini 3.1 Pro，输出速度为其他前沿模型的 4 倍。
推荐理由：官方公布了 3.5 Flash 的基准成绩、开放渠道和 Pro 后续计划，读者可以据此评估它在智能体与编码场景的取舍。