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、长音视频理解与智能体电脑操作的全模态理解模型，在 MMlongbench-Doc、OCRBenchV2、WorldSense、DailyOmni、VoiceBench 等榜单上取得领先成绩。
推荐理由：原文给出架构、训练配方与多榜成绩，可据此判断开源全模态模型在文档、音视频与智能体场景的可用性。
#多模态
#多模态
今日 0 条Hugging Face Blog精选AI 评分7878
Hugging Face BlogAI 评分3636 用 Sentence Transformers 训练和微调多模态嵌入与重排序模型
Sentence Transformers 现已支持训练和微调多模态嵌入与重排序模型，作者以 Qwen/Qwen3-VL-Embedding-2B 微调视觉文档检索（VDR）为例，微调后 NDCG@10 从基座的 0.888 提升至 0.947，超过其测试的所有现有 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，一款主打可控性与表现力的文本转语音模型，已在 Gemini API 和 Google AI Studio 面向开发者预览，企业版在 Vertex AI 预览，Workspace 用户可通过 Google Vids 使用。
推荐理由：官方给出音频标签控制方式、Elo 分数与多语言覆盖，可据此判断语音生成的可控性变化。
Google DeepMind精选AI 评分7171 Google DeepMind 发布 Gemini Robotics-ER 1.6
Google DeepMind 发布 Gemini Robotics-ER 1.6，这是其面向机器人的推理优先模型升级版，强化了空间推理与多视角理解，并新增仪表读数能力。
推荐理由：官方给出与前代及 Gemini 3.0 Flash 的对比，并首次开放仪表读数能力，可据此判断机器人高层推理的进展。
Hugging Face Blog精选AI 评分6060 Sentence Transformers v5.4 支持多模态嵌入与重排模型
Sentence Transformers v5.4 更新后，可用同一套 API 编码和比较文本、图像、音频与视频，并支持多模态嵌入与重排模型。嵌入模型把不同模态映射到共享向量空间，重排模型对混合模态输入对打分，可用于视觉文档检索、跨模态搜索和多模态 RAG。
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如何接入现有 RAG 流程。
Google ResearchAI 评分4242 Google 推出 PaperVizAgent 与 ScholarPeer 两个学术 AI 智能体
Google 发布两个学术智能体框架：PaperVizAgent（原 PaperBanana）从论文方法章节生成出版级图表，ScholarPeer 则自动评审论文。
Google DeepMind精选AI 评分8383 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 四个尺寸，采用 Apache 2.0 许可。
推荐理由：Gemma 4 以四个尺寸覆盖端侧到工作站，并给出 Apache 2.0 许可与首日工具支持，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8585 Google DeepMind 发布 Gemma 4 多模态模型家族，已在 Hugging Face 上线
Google DeepMind 的 Gemma 4 多模态模型家族已在 Hugging Face 发布，采用 Apache 2 许可，支持图像、文本和音频输入并生成文本。
推荐理由：Gemma 4 五档尺寸与 Apache 2 许可一并给出，读者可据此判断端侧多模态与本地部署的可行边界。
Hugging Face BlogAI 评分5656 TII 发布 Falcon Perception 与 Falcon OCR：0.6B 早期融合模型做开放词汇分割
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 上取得 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）。
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，已在 Hugging Face 上线并采用 Apache 2.0 许可。
推荐理由：3B 小模型在表格与图表抽取上对标更大模型，并给出 LoRA 模块化部署路径，可据此判断企业文档流水线的选型。
Google DeepMind精选AI 评分6666 Google DeepMind 发布 Lyria 3 Pro 音乐生成模型
Google DeepMind 发布 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。
推荐理由：官方披露 Lyria 3 Pro 的时长与结构控制能力，以及它在 Vertex AI、Gemini 等入口的开放范围。
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、three.js、LiteRT.js 的 XR Blocks 框架结合，把自然语言提示词直接转成可运行的物理感知 Android XR 应用，官方称耗时在 60 秒以内。
推荐理由：Google 把 Gemini 与 XR Blocks 组合成从自然语言到 Android XR 应用的生成流程，并给出 VCXR60 初步评测数据，可据此判断 XR 原型开发的门槛变化。
Google ResearchAI 评分4040 Google Research 在 The Check Up 展示医疗 AI 进展：从个性化护理到 AMIE 智能体
Google Research 在 The Check Up 活动上公布多项医疗 AI 进展：与 Fitbit 合作研究发现，模拟协作医疗团队的 Personal Health Agent（PHA）比单一任务应用更能支持长期健康。
Hugging Face Blog精选AI 评分6262 H Company 发布 Holotron-12B 高吞吐 computer-use 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 computer-use 模型，现已在 Hugging Face 上线，采用 NVIDIA Open Model License。
推荐理由：官方披露了模型架构、训练数据规模与 WebVoyager 提升幅度，可据此判断高吞吐 computer-use 智能体的落地条件。
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 官方给出 GPT-5.4 mini 与 nano 的定位，读者可据此判断小模型在编码与工具调用场景的取舍。
Mistral AI精选AI 评分7676 Mistral 发布 Mistral Small 4 开源模型，统一推理、多模态与编码能力
Mistral AI 发布 Mistral Small 4，这是 Mistral Small 系列的下一个重大版本，也是首个把 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中的 Mistral 模型，采用 Apache 2.0 许可。
推荐理由：Mistral Small 4 把推理、多模态与编码能力合并进单一开源模型，并给出与 GPT-OSS 120B 的输出长度对比，便于判断效率取舍。
Mistral AI精选AI 评分6060 Mistral AI 与 NVIDIA 合作，共同开发开源前沿模型
Mistral AI 宣布作为创始成员加入 NVIDIA Nemotron Coalition，双方计划共同开发前沿开源 AI 模型，Mistral 提供模型架构、多模态能力和微调工具，NVIDIA 提供算力、模型开发工具与合成数据生成管线。
推荐理由：Mistral 以创始成员身份加入 NVIDIA Nemotron Coalition，读者可了解开放前沿模型的联合训练分工与开源计划。
Google Research精选AI 评分6666 Google 与 BIDMC 开展对话式诊断 AI 真实临床可行性研究
Google Research 与 Beth Israel Deaconess Medical Center 合作开展了一项前瞻性单中心可行性研究，让对话式诊断 AI AMIE 在门诊初级保健就诊前为患者采集病史，由医生通过视频实时监督。
推荐理由：Google 与 BIDMC 首次把 AMIE 放进真实门诊流程做前瞻性可行性研究，读者可看到安全监督机制与盲评结果。
OpenAI NewsAI 评分2222 Descript 如何用 OpenAI 推理模型实现大规模多语言视频配音
Descript 借助 OpenAI 推理模型实现大型内容库的自动本地化，在不丢失时间轴与语义的前提下完成多语言视频配音。该方案面向大规模内容库的配音场景，解决了规模化本地化中的时序与含义保持问题。
Google DeepMind精选AI 评分7171 Google DeepMind 发布 Gemini 3.1 Flash-Lite
Google DeepMind 推出 Gemini 3.1 Flash-Lite，这是 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，即日起通过 Gemini API 在 Google AI Studio 和 Vertex AI 面向开发者预览。
推荐理由：原文给出价格、速度与基准数据，读者可据此判断高并发场景下的成本与延迟取舍。
Google DeepMind精选AI 评分8282 Google DeepMind 发布 Nano Banana 2（Gemini 3.1 Flash Image）图像模型
Google DeepMind 发布最新图像生成模型 Nano Banana 2（Gemini 3.1 Flash Image），将 Nano Banana Pro 的高级世界知识、质量与推理能力带到 Flash 级速度。
推荐理由：Google DeepMind 官方发布 Nano Banana 2，读者可据此了解其能力边界与在 Gemini、搜索、Flow 等产品中的落地范围。
Google DeepMind精选AI 评分7171 Gemini 上线 Lyria 3 音乐生成，支持文字与图片生成 30 秒曲目
Google DeepMind 的最新生成式音乐模型 Lyria 3 以 beta 形式在 Gemini app 上线，用户用文字或上传图片、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 中的生成方式、语言覆盖与 SynthID 音频验证，可据此判断音乐生成的实际可用边界。
Google ResearchAI 评分4040 Google 用合成数据教多模态大模型读懂地图路径
Google Research 提出 MapTrace，一套可扩展的合成数据生成流程，用于训练多模态大模型在地图上追踪路径，并开源了基于 Gemini 2.5 Pro 和 Imagen-4 生成的 200 万问答对。
Google ResearchAI 评分3838 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，相关论文在 ACM UIST 2025 展示。该框架将对话的社交设定与时间流程解耦，通过"创作-测试-验证"三阶段工作流支持多参与方、角色分组与打断规则配置。
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体验
Google 提出 Natively Adaptive Interfaces（NAI）框架，用多模态 AI 工具让 UI 从静态导航转向智能体驱动的动态模块，以缩小新功能发布与辅助层之间的"无障碍鸿沟"。原型包括面向盲人与低视力用户的 StreetReaderAI，以及基于 Gemini 模型、可实时调整描述细节的 Multimodal Agent Video Player（MAVP）。
Google DeepMind精选AI 评分7171 Google DeepMind 向美国 AI Ultra 订阅者开放 Project Genie 世界模型原型
Google DeepMind 开始向美国 18 岁以上的 Google AI Ultra 订阅者开放 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：官方披露了世界模型原型的三项核心能力与已知限制，可据此判断实时生成交互世界的可用边界。
Hugging Face BlogAI 评分3434 中国开源 AI 生态的架构选择：超越 DeepSeek 之后
中国开源模型近一年几乎一致转向 MoE 架构，Kimi K2、MiniMax M2、Qwen3 均采用该路线，以在算力约束下平衡能力与成本。开源方向从文本扩展到多模态与智能体，StepFun 的 Step-Audio-R1.1 语音模型性能超越闭源模型，腾讯开源 Hunyuan Video 与 Hunyuan 3D。
Google ResearchAI 评分3131 Google 小模型拆解式意图提取：Gemini 1.5 Flash 8B 媲美 Gemini 1.5 Pro
Google Research 提出一种拆解式方法，让小型多模态 LLM 在设备端理解用户意图：先逐屏总结每次交互，再从摘要序列中提取意图。在移动端与网页轨迹上，该方法优于 CoT 和端到端微调，Gemini 1.5 Flash 8B 取得与 Gemini 1.5 Pro 相当的结果，成本与速度仅为后者一小部分。该论文已在 EMNLP 2025 发表。
Google DeepMind精选AI 评分6262 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，读者可了解 4D 重建的效率提升幅度与机器人、AR 等落地方向。
Google Research精选AI 评分6060 Google 发布 MedGemma 1.5 4B 与医疗语音识别模型 MedASR
Google 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，并同步推出医疗听写语音识别模型 MedASR。
推荐理由：官方给出 MedGemma 1.5 与 MedASR 的基准对比和开放下载入口，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，支持原生竖屏与 1080p/4K 放大
Google DeepMind 更新 Veo 3.1 的 Ingredients to Video 能力，让基于参考图生成的视频在简单提示词下也有更丰富的对白与叙事，并提升角色、背景和物体的一致性。
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切换。
Hugging Face Blog精选AI 评分6262 NVIDIA 发布 Cosmos Reason 2，面向物理 AI 的推理视觉语言模型
NVIDIA 发布开源推理视觉语言模型 Cosmos Reason 2，在 Physical AI Bench 和 Physical Reasoning 榜单上成为排名第一的开源视觉理解模型。
推荐理由：Cosmos Reason 2 把上下文从 16K 提到 256K 并新增轨迹与 OCR 能力，可据此判断物理 AI 视觉推理的可用边界。
Google ResearchAI 评分2222 Google Research 2025 年度回顾：更激进的突破，更大的影响
Google Research 回顾 2025 年成果：Gemini 3 成为其最强、最注重事实准确性的 LLM，在 SimpleQA Verified 和与 Google DeepMind、Kaggle 联合发布的新 FACTS 基准上达到 SOTA。
Mistral AI精选AI 评分6666 Mistral 发布 OCR 3，表单与手写识别胜率较上代提升 74%
Mistral AI 发布 Mistral OCR 3，在表单、扫描文档、复杂表格和手写内容上相对 Mistral OCR 2 的整体胜率为 74%，并称其准确率超过企业文档处理方案与 AI 原生 OCR 方案。
推荐理由：官方给出与上一代在表单、手写和表格上的胜率对比，以及每千页定价，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，将 Gemini 3 的推理能力与 Flash 级延迟和成本结合，定价为每 100 万输入 token 0.50 美元、每 100 万输出 token 3 美元。
推荐理由：官方给出 Gemini 3 Flash 的基准分数、定价与上线渠道，可据此判断它在速度与成本上的取舍。
OpenAI News精选AI 评分8080 OpenAI 发布 GPT-5.2 前沿模型
OpenAI 发布 GPT-5.2，定位为面向日常专业工作的前沿模型，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，用于支持更快、更可靠的智能体工作流。
推荐理由：官方给出 GPT-5.2 在推理、长上下文、编码与视觉上的定位，可据此判断日常专业工作与智能体流程的可用性。
Google DeepMindAI 评分4040 Google DeepMind 与 Kaggle 推出 FACTS Benchmark Suite，系统评估大语言模型事实准确性
Google DeepMind 联合 Kaggle 发布 FACTS Benchmark Suite，在原有 FACTS Grounding 基础上新增 Parametric、Search、Multimodal 三项基准，并将 Grounding 升级至 v2，共 3513 个公开样例，另设私有留出集。
Google ResearchAI 评分2727 Google 发布 MSEB 音频智能基准，覆盖 8 类听觉任务
Google Research 在 NeurIPS 2025 发布 Massive Sound Embedding Benchmark（MSEB），用于标准化评估声音嵌入模型的 8 类听觉能力，涵盖检索、推理、分类、转录、分割、聚类、重排序与重建。
Mistral AI精选AI 评分8080 Mistral 发布 Mistral 3 系列模型，含 675B 参数的 Mistral Large 3
Mistral 发布 Mistral 3 系列，包括 14B、8B、3B 三个小尺寸稠密模型和迄今最强的 Mistral Large 3，后者为稀疏 MoE 架构，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 一次性开源从 3B 到 675B 的完整模型族，读者可据此了解开源模型在参数规模与部署形态上的最新覆盖范围。
Google DeepMind精选AI 评分6262 Google 在 Gemini 应用中上线 AI 图像验证功能
Google DeepMind 宣布在 Gemini 应用中上线图像验证功能，用户上传图片并提问是否由 Google AI 生成或编辑，Gemini 会检测 SynthID 水印并结合自身推理给出判断。
推荐理由：Google 把 SynthID 水印检测直接放进 Gemini 应用，读者可了解 AI 图像溯源在消费端产品的落地方式。