NVIDIA 发布 Nemotron 3.5 Content Safety 多模态安全模型
NVIDIA 发布 Nemotron 3.5 Content Safety，基于 Gemma 3 4B IT 微调，把多模态输入、多语言覆盖、自定义企业策略和可审计推理统一到一次推理调用中。
推荐理由：NVIDIA 在 4B 小模型上把多模态、多语言、自定义策略与可审计推理合并进单次推理，并公开训练数据集。
#多模态
Hugging Face Blog精选AI 评分6262
Google ResearchAI 评分5858 Google Research 在 I/O 2026 发布 Gemini for Science 与 Antigravity 2.0 等进展
Google Research 在 I/O 2026 上公布多项进展，包括面向科研的 Gemini for Science 工具套件、智能体开发平台 Google Antigravity 2.0，以及健康、天气预报、量子计算等方向的研究成果。
Google DeepMind精选AI 评分6262 Google DeepMind 为 Project Genie 加入 Street View 真实场景能力
Google DeepMind 在 Project Genie 中上线 Street View 真实影像锚定能力，用户可选取美国境内地点并叠加风格，生成以真实地点为起点的可交互世界。
推荐理由：Google DeepMind 把 Genie 的世界模型与 Street View 真实影像打通，读者可据此判断世界模型从纯生成走向现实锚定的路径。
Google DeepMind精选AI 评分8585 Google DeepMind 发布 Gemini Omni Flash 视频生成模型
Google DeepMind 发布 Gemini Omni 系列首个模型 Gemini Omni Flash，可组合图像、音频、视频和文本输入生成高质量视频，并通过自然语言多轮编辑视频。
推荐理由：Gemini Omni 把多模态输入与对话式视频编辑结合，读者可据此判断视频生成工作流的变化方向。
Google DeepMind精选AI 评分7171 Google 将 SynthID 与 C2PA 内容验证扩展到 Search、Gemini、Chrome 和 Pixel
Google 宣布扩展内容透明度与验证工具，把 SynthID 验证从 Gemini 应用扩展到 Search，并将在未来几周进入 Chrome，该验证功能此前已在全球被使用 5000 万次。
推荐理由：Google 把 SynthID 与 C2PA 验证铺到 Search、Gemini、Chrome 和 Pixel，读者可据此了解内容溯源工具的实际覆盖范围。
Google DeepMind精选AI 评分8787 Google DeepMind 发布 Gemini 3.5 Flash，主打智能体与编码
Google DeepMind 发布 Gemini 3.5 系列首个模型 3.5 Flash，定位为面向智能体与编码的前沿模型，即日起在 Gemini app、Google Search 的 AI Mode、Google Antigravity、Gemini API 及 Gemini Enterprise 上线。
推荐理由：官方给出 3.5 Flash 在编码与智能体基准上的具体分数和 4 倍输出速度，可据此判断速度与质量的取舍是否成立。
Google DeepMind精选AI 评分7171 Google DeepMind 发布 Co-Scientist 多智能体科研系统
Google DeepMind 在 Nature 发表 Co-Scientist 研究，推出基于 Gemini 的多智能体 AI 系统，可迭代生成、辩论并演化科学假设。
推荐理由：原文给出多智能体系统的三阶段架构与多个实验室应用案例，可了解 AI 参与科学假设生成的具体方式。
Google DeepMind精选AI 评分6262 Google DeepMind 发布 AI co-clinician 医疗 AI 研究计划
Google DeepMind 宣布 AI co-clinician 研究计划，探索 AI 智能体在医生临床监督下协助患者诊疗的“三方照护”模式。在 98 个真实初级保健查询的盲评中，该系统 97 例无关键错误，优于医生常用的两款 AI 系统；在 140 项问诊技能评估中，AI 在 68 项达到或超过初级保健医生水平，但专家医生在识别危险信号和指导关键体格检查上整体仍更强。
推荐理由：DeepMind 公开医疗 AI 智能体的多模态评测细节，读者可据此了解 AI 在临床问诊中已达标与仍欠缺的具体环节。
Hugging Face Blog精选AI 评分7474 NVIDIA 发布 Nemotron 3 Nano Omni 全模态模型
NVIDIA 发布 Nemotron 3 Nano Omni，一款面向文档分析、多图推理、语音识别、长音视频理解和 GUI 智能体操作的全模态理解模型，在 MMlongbench-Doc、OCRBenchV2、WorldSense、DailyOmni、VoiceBench 等基准上取得领先成绩。
推荐理由：原文给出架构、训练配方与多模态基准对比，读者可据此判断开源全模态模型在文档、音视频与 GUI 智能体上的能力边界。
Hugging Face BlogAI 评分4141 用 Sentence Transformers 训练与微调多模态嵌入和 Reranker 模型
Sentence Transformers 现已支持训练和微调多模态嵌入与 Reranker 模型，作者以 Qwen/Qwen3-VL-Embedding-2B 微调视觉文档检索（VDR）为例，微调后 NDCG@10 从基线的 0.888 提升至 0.947，超过所有对比的现有 VDR 模型，包括参数量达其 4 倍的模型。
Google DeepMind精选AI 评分7171 Google DeepMind 发布 Gemini 3.1 Flash TTS 语音模型
Google DeepMind 发布 Gemini 3.1 Flash TTS，称其在可控性、表达力和语音质量上均有提升，并引入可用自然语言指令控制语气、语速和表达方式的音频标签。
推荐理由：官方给出新语音模型的音频标签控制方式、Elo 分数与多语言覆盖，可据此判断表达力控制的实际粒度。
Hugging Face Blog精选AI 评分6262 Sentence Transformers v5.4 支持多模态嵌入与重排模型
Sentence Transformers 发布 v5.4，可在同一套 API 中编码和比较文本、图像、音频与视频，并支持多模态重排模型。新增能力覆盖跨模态相似度、encode_query/encode_document 检索流程以及先检索后重排的 RAG 模式，官方同时列出了 Qwen3-VL、NVIDIA Nemotron、BGE-VL 等已支持模型。
推荐理由：官方给出 v5.4 多模态嵌入与重排的完整用法和模型清单，可据此判断跨模态检索的落地路径。
Google ResearchAI 评分4040 Google 推出 PaperVizAgent 与 ScholarPeer 两款学术 AI 智能体
Google 发布两款学术智能体：PaperVizAgent 负责生成论文配图，ScholarPeer 负责自动同行评审。PaperVizAgent 由检索、规划、风格、可视化、评审五个智能体协作，在 0-100 分评测中总分 60.2，超过 GPT-Image-1.5、Nano-Banana-Pro、Paper2Any，是唯一超过 50.0 人类基线的框架。
Google DeepMind精选AI 评分8585 Google DeepMind 发布 Gemma 4 开源模型家族
Google DeepMind 发布 Gemma 4 开源模型家族，包含 E2B、E4B、26B MoE 和 31B Dense 四种尺寸，采用 Apache 2.0 许可。
推荐理由：Gemma 4 以 Apache 2.0 开源并覆盖从手机到工作站的四种尺寸，读者可据此判断本地部署与微调的选择空间。
Hugging Face Blog精选AI 评分8787 Google DeepMind 发布 Gemma 4 多模态模型家族，含端侧与 12B 无编码器版本
Google DeepMind 的 Gemma 4 多模态模型家族已在 Hugging Face 发布，采用 Apache 2.0 许可，支持图像、文本和音频输入并输出文本。
推荐理由：Hugging Face 官方给出 Gemma 4 五个尺寸的架构细节、部署路径与基准数据，可据此判断端侧多模态选型。
Hugging Face Blog精选AI 评分6262 TII 发布 Falcon Perception 与 Falcon OCR 模型
阿布扎比 TII 的 Falcon Vision 团队发布 Falcon Perception，一个 0.6B 参数的早期融合 Transformer，用自然语言提示做开放词汇定位与分割，在 SA-Co 上达到 68.0 Macro-F1，高于 SAM 3 的 62.3，但在存在性校准上落后（MCC 0.64 对 0.82）。
推荐理由：原文给出 0.6B 早期融合模型在 SA-Co 与 PBench 上的分项对比，可据此判断单骨干架构在开放词汇感知上的取舍。
Hugging Face Blog精选AI 评分6262 IBM 发布 Granite 4.0 3B Vision 企业文档多模态模型
IBM 发布 Granite 4.0 3B Vision，一个面向企业文档理解的紧凑视觉语言模型，以 LoRA 适配器形式搭载在 Granite 4.0 Micro 之上，采用 Apache 2.0 许可在 Hugging Face 开放。
推荐理由：IBM 发布面向企业文档的紧凑视觉语言模型，给出表格、图表与 KVP 抽取的基准对比，可据此判断小模型在文档流水线中的位置。
Google DeepMind精选AI 评分6262 Google DeepMind 为 AI 时代重新设计鼠标指针
Google DeepMind 公布 AI 指针的实验性方案，由 Gemini 驱动，让指针理解用户指向的内容及其对用户的意义，并给出四条交互原则：保持工作流不中断、展示与说明、用「这个」和「那个」的简略表达、把像素变成可操作实体。
推荐理由：Google DeepMind 公开 AI 指针的四条交互原则，并说明其已进入 Chrome 与 Googlebook，读者可据此判断 AI 交互从提示词转向指向与语音的路径。
Google DeepMind精选AI 评分7878 Google DeepMind 发布 Gemini 3.1 Flash Live 语音模型
Google DeepMind 发布 Gemini 3.1 Flash Live，称其为目前质量最高的音频与语音模型，具备更高精度和更低延迟。该模型在 ComplexFuncBench Audio 上取得 90.8%，在 Scale AI 的 Audio MultiChallenge 上开启 thinking 后取得 36.1%，并支持多语言。
推荐理由：官方给出语音模型在函数调用与长程推理基准上的分数，并说明开发者、企业与普通用户三类入口的可用范围。
Google DeepMind精选AI 评分6565 Google DeepMind 发布 Lyria 3 Pro，支持最长 3 分钟曲目与段落级控制
Google DeepMind 发布音乐生成模型 Lyria 3 Pro，可生成最长 3 分钟的曲目，并能按前奏、主歌、副歌、桥段等结构元素进行提示控制。该模型已在 Vertex AI 公开预览，并接入 Google AI Studio、Gemini API、Google Vids、Gemini 应用和 ProducerAI。
推荐理由：Lyria 3 Pro 把单曲生成时长拉到 3 分钟并支持段落级提示，读者可据此判断音乐生成在创作流程中的可用边界。
Google Research精选AI 评分6060 Google 发布 Vibe Coding XR，用 Gemini 与 XR Blocks 生成 Android XR 应用
Google 发布 Vibe Coding XR 工作流，将 Gemini 与基于 WebXR 的 XR Blocks 框架结合，把自然语言提示直接转成可运行的 Android XR 应用，官方称耗时在 60 秒以内。
推荐理由：Google 把 Gemini 与 XR Blocks 组合成自然语言生成 XR 应用的流程，并给出 VCXR60 初步评测数据，可据此判断 XR 原型开发门槛的变化。
Mistral AI精选AI 评分7171 Mistral AI 发布 Voxtral TTS 语音合成模型
Mistral AI 发布首款文本转语音模型 Voxtral TTS，4B 参数，支持英语、法语、德语、西班牙语、荷兰语、葡萄牙语、意大利语、印地语和阿拉伯语共 9 种语言，可做情感表达与零样本跨语言音色适配。
推荐理由：Mistral 首款 TTS 模型给出 4B 参数、9 语言与 70ms 延迟等具体指标，并附与 ElevenLabs 的人工对比结果。
Google Research精选AI 评分6060 Google Research 在 The Check Up 活动上公布医疗 AI 多项进展
Google Research 在 The Check Up 活动上公布医疗 AI 的多项进展，覆盖个性化健康、临床协作、开发者生态与公共卫生等方向。
推荐理由：Google Research 集中披露医疗 AI 从研究走向临床的多条进展，可了解其落地路径与合作方式。
Hugging Face Blog精选AI 评分6262 H Company 发布 Holotron-12B 计算机操作智能体模型
H Company 发布 Holotron-12B，一个基于 NVIDIA Nemotron-Nano-2 VL 后训练的多模态计算机操作模型，现已上线 Hugging Face，采用 NVIDIA Open Model License。
推荐理由：原文给出模型来源、混合 SSM 架构与吞吐对比数据，读者可据此判断其在长上下文智能体场景的部署取舍。
OpenAI News精选AI 评分6262 OpenAI 发布 GPT-5.4 mini 和 nano
OpenAI 发布 GPT-5.4 mini 和 nano，是 GPT-5.4 的更小、更快版本。两款模型针对编码、工具调用、多模态推理以及高并发 API 和子智能体负载做了优化。
推荐理由：OpenAI 在 GPT-5.4 之下补出 mini 与 nano 两档小模型，读者可据此判断高并发与子智能体场景的选型空间。
Mistral AI精选AI 评分7878 Mistral 发布 Mistral Small 4 开源模型
Mistral AI 发布 Mistral Small 4，首次将 Magistral 的推理、Pixtral 的多模态和 Devstral 的智能体编码能力统一到单一模型，采用 Apache 2.0 许可。
推荐理由：Mistral Small 4 把推理、多模态与编码智能体能力合并进单一开源模型，并给出可配置推理强度与部署门槛。
Google DeepMind精选AI 评分7171 Google DeepMind 发布 Gemini 3.1 Flash-Lite
Google DeepMind 发布 Gemini 3.1 Flash-Lite，称其为 Gemini 3 系列中速度最快、成本最低的模型，定价为每百万输入 token 0.25 美元、每百万输出 token 1.50 美元。
推荐理由：官方给出定价、速度与基准数据，可据此判断高并发场景下是否值得替换 2.5 Flash。
Google DeepMind精选AI 评分8080 Google DeepMind 发布 Nano Banana 2（Gemini 3.1 Flash Image）
Google DeepMind 发布图像生成模型 Nano Banana 2（Gemini 3.1 Flash Image），把 Nano Banana Pro 的世界知识、推理与画质带到 Flash 速度。
推荐理由：官方给出 Nano Banana 2 的能力清单与上线渠道，读者可据此判断 Pro 级图像能力下放到 Flash 速度后的可用范围。
Google DeepMind精选AI 评分7171 Gemini 应用上线 Lyria 3 音乐生成，支持文本与图片生成 30 秒曲目
Google DeepMind 的 Lyria 3 音乐生成模型以 beta 形式在 Gemini 应用上线，用户用文本或上传图片、视频即可生成 30 秒带歌词或纯器乐的曲目，并附由 Nano Banana 生成的封面图。
推荐理由：官方披露 Lyria 3 在 Gemini 应用中的生成方式、时长与 SynthID 音频验证能力，可据此判断音乐生成的使用边界。
Google ResearchAI 评分3838 Google 用 MapTrace 合成数据教多模态大模型在地图上寻路
Google Research 提出 MapTrace，一套用 Gemini 2.5 Pro 与 Imagen-4 自动生成地图寻路数据的流水线，并开源 200 万条问答对。
Google ResearchAI 评分4040 Google Research 推出 DialogLab：开源多智能体群组对话创作与测试框架
Google Research 发布开源原型框架 DialogLab，用于创作、模拟和测试动态的人机群组对话，已在 ACM UIST 2025 展示。该框架将对话的社会设定与时间流程解耦，支持拖拽式场景搭建、human control 实时干预和对话动态可视化验证。
Google ResearchAI 评分3636 Google 如何用 AI 工具重新定义通用设计以提升无障碍性
Google 提出 Natively Adaptive Interfaces（NAI）框架，用多模态 AI 工具打造更具适应性的无障碍应用，以 Orchestrator 协调摘要、设置等子智能体替代静态导航。
Google DeepMind精选AI 评分7171 Google DeepMind 向美国 AI Ultra 订阅用户开放 Project Genie 世界模型原型
Google DeepMind 开始向美国 18 岁以上的 Google AI Ultra 订阅用户开放 Project Genie，这是一个由 Genie 3、Nano Banana Pro 和 Gemini 驱动的实验性研究原型，支持创建、探索和混编交互式世界。
推荐理由：Google DeepMind 把 Genie 3 世界模型做成可交互原型，读者可据此了解世界模型从研究走向订阅制产品的路径。
Google DeepMind精选AI 评分6060 Google DeepMind 发布 D4RT 模型，统一 4D 场景重建与追踪
Google DeepMind 发布 D4RT（Dynamic 4D Reconstruction and Tracking），用统一的编码器-解码器 Transformer 架构完成动态场景的 4D 重建与追踪。
推荐理由：D4RT 把动态场景重建统一进单一框架，并给出 18x 至 300x 的加速数据，可据此判断 4D 重建的实时化路径。
Google Research精选AI 评分6666 Google 发布 MedGemma 1.5 4B 与医疗语音模型 MedASR
Google 通过 HAI-DEF 项目发布 MedGemma 1.5 4B，新增对 CT、MRI 和全切片病理等高维医学影像的支持，并保留 2D 图像与文本能力。
推荐理由：官方给出 MedGemma 1.5 与 MedASR 的基准对比和开源入口，可据此判断医疗多模态模型的可用边界。
Google DeepMind精选AI 评分7171 Google DeepMind 更新 Veo 3.1 Ingredients to Video，新增原生竖屏与 1080p/4K 放大
Google DeepMind 更新 Veo 3.1 Ingredients to Video，让基于参考图生成的视频在短提示词下更富表现力，并提升角色身份、背景与物体的一致性。
推荐理由：官方说明了 Ingredients to Video 在角色一致性与竖屏输出上的具体变化，可据此判断移动端短视频工作流是否值得迁移。
Hugging Face Blog精选AI 评分6666 NVIDIA 发布 Cosmos Reason 2，面向物理 AI 的开源推理视觉语言模型
NVIDIA 发布 Cosmos Reason 2，一款面向物理 AI 的开源推理视觉语言模型，在 Physical AI Bench 和 Physical Reasoning 榜单上位列开源模型第一。
推荐理由：NVIDIA 开源视觉语言推理模型 Cosmos Reason 2 的发布细节，含 256K 上下文与 2B/8B 规格，可对照上一代判断物理 AI 推理能力进展。
Hugging Face BlogAI 评分4949 Falcon-H1-Arabic 发布：混合 Mamba-Transformer 架构的阿拉伯语模型家族
Falcon-H1-Arabic 阿拉伯语模型家族发布，包含 3B、7B、34B 三个参数规模，采用 Mamba 与 Transformer 注意力并行的 Falcon-H1 混合架构。
Hugging Face BlogAI 评分5858 如何用 NVIDIA DGX Spark 和 Reachy Mini 搭建桌面智能体
Hugging Face 博客发布教程，介绍如何用 NVIDIA DGX Spark 配合 Reachy Mini 复现 CES 2026 主题演讲中的桌面智能体，代码已开源。
Google DeepMindAI 评分2222 Google 2025 年度回顾：8 大研究突破领域
Google 发布 2025 年度研究回顾，梳理了 8 大突破领域。模型方面，Gemini 2.5 于 3 月发布，Gemini 3 于 11 月推出，Gemini 3 Flash 于 12 月上线，其中 Gemini 3 Pro 登顶 LMArena 排行榜，并在 MathArena Apex 上取得 23.4% 的 SOTA 成绩。