Google Research 2025 年度回顾：更激进的突破，更大的影响力
Google Research 发布 2025 年度回顾，Gemini 3 成为其事实性最强的 LLM，在 SimpleQA Verified 和 FACTS 基准上达到 SOTA，并在 Gemini 3 中引入生成式 UI。Gemma 扩展至 140 多种语言，成为当前最佳多语言开源模型；量子方面，Willow 芯片上的 Quantum Echoes 算法比最强经典算法快 13000 倍。
#多模态
Google ResearchAI 评分2222
Mistral AI精选AI 评分6262 Mistral 发布 OCR 3，表单与手写识别胜率较上代提升 74%
Mistral 发布文档解析模型 Mistral OCR 3，在表单、扫描件、复杂表格和手写内容上相对 Mistral OCR 2 的整体胜率为 74%，官方称其准确率超过企业级文档处理方案和 AI 原生 OCR 方案。
推荐理由：官方给出 OCR 3 相对上一代在表单、手写和复杂表格上的胜率与定价，可据此判断文档解析成本与适用场景。
Google DeepMind精选AI 评分8787 Google DeepMind 发布 Gemini 3 Flash，主打速度与低成本
Google DeepMind 发布 Gemini 3 Flash，定位为兼顾前沿智能与速度、成本更低的模型，已在 Gemini API、Google AI Studio、Gemini CLI、Google Antigravity、Vertex AI 和 Gemini Enterprise 上线，并开始向 Gemini 应用和搜索 AI Mode 全量推送。
推荐理由：官方给出 Gemini 3 Flash 的基准分数、定价与上线渠道，可据此判断速度与成本权衡是否适合自身工作流。
Google DeepMind精选AI 评分7171 Google DeepMind 发布升级版 Gemini 2.5 Flash Native Audio
Google DeepMind 发布升级版 Gemini 2.5 Flash Native Audio，面向实时语音智能体，提升了复杂工作流处理、指令遵循和自然对话能力。
推荐理由：官方给出 Gemini 2.5 Flash Native Audio 在函数调用、指令遵循和多轮对话上的具体提升数据，可据此判断语音智能体的可用性变化。
OpenAI News精选AI 评分8282 OpenAI 发布 GPT-5.2 前沿模型
OpenAI 发布 GPT-5.2，称其为面向日常专业工作最先进的前沿模型，具备领先的推理、长上下文理解、编码和视觉能力。该模型已在 ChatGPT 和 OpenAI API 中提供，用于支撑更快、更可靠的智能体工作流。
推荐理由：OpenAI 官方发布 GPT-5.2，读者可据此了解新模型在推理、长上下文、编码与视觉上的定位及可用入口。
Google ResearchAI 评分3636 Google 发布 MSEB：面向听觉智能的 Massive Sound Embedding Benchmark
Google Research 在 NeurIPS 2025 发布 Massive Sound Embedding Benchmark（MSEB），用于标准化评测声音嵌入模型的八项核心能力，涵盖检索、推理、分类、转录、分割、聚类、重排与重建。
Mistral AI精选AI 评分8080 Mistral 发布 Mistral 3 系列，含 675B 参数 Mistral Large 3 与 3B/8B/14B Ministral 3
Mistral 发布 Mistral 3 系列，包括 14B、8B、3B 三个稠密小模型和迄今最强的 Mistral Large 3，后者为稀疏 MoE，41B 激活参数、675B 总参数，全部以 Apache 2.0 许可开源。
推荐理由：Mistral 3 全系以 Apache 2.0 开源并给出 NVFP4 量化与多平台部署路径，可据此判断开源前沿模型的落地成本。
Google DeepMind精选AI 评分6262 Google 在 Gemini 应用中上线 AI 图像验证功能
Google 在 Gemini 应用中上线图像验证功能，用户上传图片并提问即可借助 SynthID 数字水印判断该图是否由 Google AI 生成或编辑。SynthID 自 2023 年推出以来已为超过 200 亿件 AI 生成内容添加水印。
推荐理由：原文说明了 Gemini 应用内图像验证的入口与 SynthID 水印机制，读者可据此了解 AI 生成内容的溯源方式。
Google DeepMind精选AI 评分7878 Google DeepMind 发布 Nano Banana Pro（Gemini 3 Pro Image）图像模型
Google DeepMind 发布 Nano Banana Pro（Gemini 3 Pro Image），基于 Gemini 3 Pro 构建，主打高保真图像生成与编辑，已在 Google AI Studio 和 Vertex AI 以付费预览形式逐步开放。
推荐理由：官方给出新图像模型的分辨率、文本渲染与搜索接地能力，可据此判断多模态应用的选型与成本取舍。
Google DeepMind精选AI 评分8282 Google DeepMind 发布 Nano Banana Pro（Gemini 3 Pro Image）图像生成与编辑模型
Google DeepMind 发布 Nano Banana Pro（Gemini 3 Pro Image），这是基于 Gemini 3 Pro 的新一代图像生成与编辑模型，可生成更准确、文本更清晰的多语言图像，并支持最多 14 张图像合成、保持最多 5 人一致性，提供 2K 和 4K 分辨率及局部编辑、光照调整等控制。
推荐理由：Google DeepMind 发布基于 Gemini 3 Pro 的图像生成编辑模型，读者可了解其文本渲染、多图合成与产品接入范围。
Google DeepMind精选AI 评分8787 Google DeepMind 发布 Gemini 3 Pro 并推出 Antigravity 开发平台
Google DeepMind 发布 Gemini 3，其中 Gemini 3 Pro 在各项主要 AI 基准上超过此前版本，编码能力也强于 2.5 Pro。
推荐理由：官方给出 Gemini 3 Pro 的基准成绩、API 定价与配套开发平台，便于开发者判断迁移成本。
Google DeepMind精选AI 评分9393 Google DeepMind 发布 Gemini 3，Pro 版预览上线并推出 Deep Think 模式
Google DeepMind 发布 Gemini 3，首发 Gemini 3 Pro 预览版，并同步接入 Gemini 应用、搜索 AI Mode、AI Studio、Vertex AI、Gemini CLI 及新智能体开发平台 Google Antigravity。
推荐理由：Gemini 3 Pro 在多项基准上刷新成绩并同步接入搜索、Gemini 应用与开发者平台，可据此判断多模态与智能体能力的当前水位。
Google Research精选AI 评分8080 Google 发布生成式 UI：Gemini 应用与搜索 AI Mode 上线动态界面实验
Google 发布生成式 UI 实现，由模型直接生成网页、游戏、工具等完整交互界面，而非只生成内容。该能力以 dynamic view 和 visual layout 两个实验在 Gemini 应用中推出，并集成到 Google Search 的 AI Mode，基于 Gemini 3 Pro 配合工具调用、系统指令与后处理实现。
推荐理由：Google 把生成式 UI 从论文推进到 Gemini 与搜索的实测入口，读者可据此判断界面生成这一方向的产品化程度。
Google DeepMind精选AI 评分7171 Google DeepMind 发布 SIMA 2：可推理、对话并在 3D 虚拟世界中自我改进的智能体
Google DeepMind 发布 SIMA 2，将 Gemini 模型作为智能体核心，使 SIMA 从指令执行者升级为能思考目标、与用户对话并自我改进的交互式游戏伙伴。SIMA 2 在未训练过的新游戏（如 ASKA、MineDojo）中泛化能力显著提升，并能通过 Gemini 反馈和试错进行自我改进，无需额外人类演示数据。该研究以有限研究预览形式向少量学者和游戏开发者开放早期访问。
推荐理由：SIMA 2 把 Gemini 的推理能力接入 3D 游戏智能体，并展示了跨游戏泛化与自我改进的训练路径。
Google DeepMindAI 评分5757 Google DeepMind 在 Nature 发表研究，让 AI 视觉表征更接近人类
Google DeepMind 在 Nature 发表新论文，分析 AI 视觉模型与人类在视觉表征组织上的差异，并提出一种三步对齐方法。该方法先用 THINGS 数据集训练一个冻结主模型的小适配器作为教师模型，再生成包含百万张图像、数百万条类人判断的 AligNet 数据集，最后微调其他学生模型。
OpenAI NewsAI 评分3535 OpenAI 推出 IndQA：面向印度语言的 AI 评测基准
OpenAI 发布 IndQA，一个用于评估 AI 系统印度语言能力的新基准，由领域专家共建，覆盖 12 种语言和 10 个知识领域，重点考察文化理解与推理能力。
Google ResearchAI 评分3939 Google Research 推出 StreetReaderAI：用上下文感知多模态 AI 让街景可访问
Google Research 发布 StreetReaderAI，一个基于 Gemini 的街景无障碍原型，通过 AI Describer 和 AI Chat 为盲人及低视力用户实时生成道路、路口和地点的语音描述，并支持语音或键盘漫游全景图像。
Hugging Face BlogAI 评分3838 如何用开源模型强化你的 OCR 流水线
Hugging Face 发布指南，介绍如何用开源模型构建 OCR 流水线，并新增 Chandra 与 OlmOCR-2 两个模型及 OlmOCR 评测分数。指南覆盖当前 OCR 模型能力、微调与开箱即用的取舍、模型选型要点，以及用多模态检索和文档问答超越传统 OCR。
Hugging Face BlogAI 评分5858 Hugging Face AI Sheets 新增图像支持
Hugging Face 为开源工具 AI Sheets 发布重大更新，新增视觉能力，可在表格中查看、分析、提取图像信息，并生成和编辑图片，全程无需写代码。图像列支持描述分类、抽取结构化数据（如收据商户名、日期、金额）和添加元数据，文本列与图像列可在同一工作流中生成与转换内容，结果可导出为 CSV、Parquet 或上传至 Hub。
Hugging Face BlogAI 评分3636 如何在 Intel CPU 上三步运行 VLM：基于 Optimum Intel、OpenVINO 与 SmolVLM
Hugging Face 博客给出在 Intel CPU 上本地运行视觉语言模型（VLM）的三步流程：用 Optimum Intel 与 OpenVINO 将 SmolVLM2-256M-Video-Instruct 转换为 OpenVINO IR，再通过仅权重量化或静态量化压缩至 INT8，最后执行推理。
Hugging Face BlogAI 评分5252 用 Core ML 和 dots.ocr 实现 SOTA OCR 的端侧转换实践
Hugging Face 博客发布三部分系列的第一篇，记录如何将 RedNote 的 3B OCR 模型 dots.ocr 转换为可在 Apple 设备端运行的 Core ML 模型。
OpenAI News精选AI 评分7878 OpenAI 发布视频生成模型 Sora 2
OpenAI 发布视频生成模型 Sora 2，可在生成视频中同步对话与音效。原文同时说明 Sora 产品已不再提供。
推荐理由：OpenAI 发布视频生成模型 Sora 2，首次在生成视频中同步对话与音效，可据此了解视频生成的能力边界变化。
OpenAI News精选AI 评分7878 OpenAI 发布 Sora 2 视频与音频生成模型系统卡
OpenAI 发布新一代视频与音频生成模型 Sora 2，并同步公开系统卡。相比 Sora，新模型在物理准确性、画面真实感、音画同步、可控性和风格覆盖范围上有所提升。
推荐理由：官方系统卡披露 Sora 2 在物理准确性、同步音频与可控性上的能力变化，可据此了解视频生成模型的新边界。
Hugging Face BlogAI 评分4949 Hugging Face 发布 Smol2Operator：用两阶段后训练让 SmolVLM2-2.2B 学会 GUI 操作
Hugging Face 发布 Smol2Operator，基于 SmolVLM2-2.2B-Instruct 通过两阶段训练将其从零 GUI 定位能力打造成可执行点击、输入等操作的智能体式 GUI coder。第一阶段先建立界面元素定位能力，第二阶段用 SFT 增强智能体推理，在 ScreenSpot-v2 基准上评估，并开源全部训练配方、数据处理工具、模型、demo 与数据集。
OpenAI NewsAI 评分2222 SchoolAI 用 GPT-4.1 打造教师主导的 AI 教学平台
SchoolAI 基于 GPT-4.1、图像生成和 TTS 构建安全、教师引导的 AI 教学工具，已服务超 100 万个课堂，提升参与度、监督与个性化学习。
Hugging Face BlogAI 评分5050 Hugging Face 发布 mmBERT：基于 ModernBERT 的多语言编码器，覆盖 1800+ 语言
Hugging Face 发布 mmBERT，一个基于 ModernBERT 架构的多语言编码器模型，在 3T+ tokens、1800 多种语言上训练，成为首个在性能上超越 XLM-R 的多语言模型。base 版含 110M 非嵌入参数（总计 307M），采用 Gemma 2 tokenizer，训练分三阶段将语言数从 60 逐步扩展至 1833，并引入逆掩码率调度与退火语言学习等新技术。
OpenAI News精选AI 评分8686 OpenAI 发布 GPT-5
OpenAI 发布 GPT-5，称其为迄今最强的 AI 系统，在智能水平上较此前所有模型有显著跃升。官方称 GPT-5 在编码、数学、写作、健康、视觉感知等方面达到 SOTA 表现。
推荐理由：OpenAI 官方发布 GPT-5，给出其在编码、数学、写作、健康与视觉感知上的能力定位。
Hugging Face Blog精选AI 评分6060 TRL 为视觉语言模型加入 MPO、GRPO、GSPO 对齐支持
Hugging Face 的 TRL 新增面向视觉语言模型的对齐能力，包括混合偏好优化 MPO、多模态 GRPO 以及 Qwen 提出的 GSPO，并扩展 RLOO 与 Online DPO 支持 VLM。
推荐理由：TRL 把 MPO、GRPO、GSPO 等对齐方法扩展到视觉语言模型，并给出可直接运行的训练脚本与 notebook。
Mistral AIAI 评分4242 Mistral 通过微调 Pixtral-12B 提升卫星图像视觉语言模型性能
Mistral 用 LoRA 微调 Pixtral-12B，在 Aerial Image Dataset（AID）卫星图像分类任务上显著优于基座模型。基座模型在 Playground、Stadium 等易混类别上会误判并偶发幻觉出不存在的类别名，微调后分类更准确。整个流程可通过 Mistral 微调 API 或 LaPlateforme UI 完成，无需大量超参数调优。
OpenAI NewsAI 评分2222 Figma 用 AI 变革数字设计
Figma 正用 AI 变革数字设计，David Kossnick 分享了 Figma Make 等工具如何让团队借助 AI 进行原型设计、协作与构建。这些工具正在重塑设计师、开发者以及非技术创作者的工作流程。
Hugging Face BlogAI 评分4242 TimeScope：你的视频大模型能看多长的视频？
Hugging Face 开源长视频理解基准 TimeScope，通过在 1 分钟至 8 小时的视频中插入 5-10 秒的"needle"片段，评测模型的局部检索、信息综合与细粒度时序感知三项能力。结果显示，包括 Gemini 2.5-Pro 在内的领先视觉语言模型在真正的长视频时序理解上仍表现吃力，性能随视频变长明显下滑。
Mistral AI精选AI 评分7272 Mistral 为 Le Chat 推出 Deep Research、语音模式等多项新功能
Mistral 为 Le Chat 上线一批新功能，包括预览版 Deep Research 模式、由新语音模型 Voxtral 驱动的语音模式、由推理模型 Magistral 支持的多语言推理、用于整理对话的 Projects，以及与 Black Forest Labs 合作的高级图像编辑。
推荐理由：Mistral 官方一次性为 Le Chat 补齐深度研究、语音、推理与图像编辑能力，可据此判断其产品线的功能覆盖方向。
OpenAI NewsAI 评分2525 Invideo AI 用 OpenAI 模型将视频创作提速 10 倍
Invideo AI 借助 OpenAI 的 GPT-4.1、gpt-image-1 和文本转语音模型，把创意想法在几分钟内转化为专业视频，创作速度提升 10 倍。
Mistral AI精选AI 评分7878 Mistral 发布 Voxtral 语音理解模型，24B 与 3B 双版本开源
Mistral 发布 Voxtral 语音理解模型，提供 24B 生产版和 3B 本地与端侧版，均以 Apache 2.0 许可开源并上线 API。模型支持 32k token 上下文，可处理最长 30 分钟转写或 40 分钟理解，具备音频问答、摘要、多语言自动检测和语音直接触发函数调用能力，并保留 Mistral Small 3.1 的文本能力。
推荐理由：Mistral 开源两款语音理解模型，给出 32k 上下文、多语言与函数调用能力及低于同类 API 一半的价格，可据此判断开源语音方案的可用边界。
Hugging Face Blog精选AI 评分6262 Hugging Face 发布 SmolLM3：3B 多语言长上下文推理模型
Hugging Face 发布 SmolLM3，一个完全开源的 3B 模型，在 11T token 上训练，支持 6 种语言和最长 128k 上下文，并提供 think / no_think 双模式推理。
推荐理由：Hugging Face 公开了 3B 模型的完整训练配方与数据配比，读者可据此复现或改进同规模模型。
Hugging Face BlogAI 评分3636 Hugging Face 详解高效多模态数据管道：从朴素填充到背包算法
Hugging Face 以 nanoVLM 项目为例，展示如何用五阶段构建高效多模态数据管道，解决 GPU 空转与填充浪费问题。朴素填充阶段约 60% 的 batch 被无用 padding token 占据，团队随后引入全局最大长度约束，并借助背包问题（knapsack）实现贪心打包，将序列按 token 数尽量塞满每个 batch。
Hugging Face BlogAI 评分5555 NVIDIA 在 Hugging Face 发布 Llama Nemotron Nano VL 文档理解模型
NVIDIA 在 Hugging Face 发布 Llama Nemotron Nano VL，一个基于 Llama-3.1-8B-Instruct 和 C-RADIOv2-VLM-H 的 8B 视觉语言模型，面向发票、合同等复杂文档的智能文档处理与 OCR。
Hugging Face Blog精选AI 评分7878 Gemma 3n 正式开源，接入 transformers、llama.cpp、MLX 等生态
Gemma 3n 从 Google I/O 的预览版转为正式发布，已在 transformers、timm、MLX、llama.cpp、transformers.js、ollama 等主流开源库上线。
推荐理由：Gemma 3n 正式开源并接入主流推理库，读者可据此了解端侧多模态模型的硬件门槛与部署路径。
Hugging Face Blog精选AI 评分6262 Hugging Face 发布 ScreenSuite，面向 GUI Agent 的评测套件
Hugging Face 发布 ScreenSuite，一个面向 GUI Agent 的评测套件，整合 13 项基准，覆盖感知、定位、单步动作和多步智能体四类能力。
推荐理由：Hugging Face 开源 GUI Agent 评测套件，读者可了解其 13 项基准覆盖的能力维度与纯视觉评测设定。
Hugging Face Blog精选AI 评分6666 H Company 发布 Holo1 系列 GUI 自动化 VLM 与 WebClick 基准
H Company 发布 Holo1 系列 Action VLM，包含 Holo1-3B 和 Holo1-7B，基于 Qwen2.5-VL 架构并已在 Hugging Face 开源，同时发布含 1,639 个类人 UI 任务的 WebClick 多模态定位基准。
推荐理由：原文给出开源模型规格、基准成绩与单任务成本，读者可据此判断网页自动化方案的落地门槛。