Google DeepMind 发布 Nano Banana Pro（Gemini 3 Pro Image），基于 Gemini 3 Pro 构建，面向开发者提供影棚级图像生成与编辑，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，以及 Adobe、Figma 等接入情况，便于判断其与上一代的取舍。
Google DeepMind 发布 Nano Banana Pro（Gemini 3 Pro Image），基于 Gemini 3 Pro 构建，主打更准确的图像内文字渲染、多语言生成与更强的世界知识。
推荐理由：官方给出 Nano Banana Pro 的能力边界与各产品上线节奏，可据此判断图像生成与编辑的可用范围。
Google DeepMind 发布 Gemini 3 Pro，称其在主要 AI 基准上超过此前版本，编码与智能体任务表现优于 2.5 Pro。模型已在 Google AI Studio 和 Vertex AI 以预览形式开放，200k token 以内输入 $2/百万 token、输出 $12/百万 token，并在 Google AI Studio 免费提供但有限速。
推荐理由：官方给出 Gemini 3 Pro 的基准成绩、API 定价与 Antigravity 平台入口，可据此判断其编码与智能体能力落点。
Google DeepMind 发布 Gemini 3，称其为自家最智能的模型，首发 Gemini 3 Pro 预览版，并同步上线 Gemini 应用、Search 的 AI Mode、AI Studio、Vertex AI、Gemini CLI 及新的智能体开发平台 Google Antigravity。
推荐理由：官方一次性给出 Gemini 3 Pro 与 Deep Think 的基准成绩、产品落地范围和开放入口，可据此判断能力代际变化。
Google DeepMind 联合 Google Research 发布 Natural Forests of the World 2020，这是首个全球一致、10 米分辨率、可区分天然林与其他树木覆盖的地图数据集，独立数据集验证准确率达 92.2%。
Google DeepMind 发布 SIMA 2，将 Gemini 模型嵌入智能体核心，使其从指令跟随者升级为能思考目标、与用户对话并随时间自我改进的交互式游戏伙伴。
推荐理由：SIMA 2 把 Gemini 的推理能力接入 3D 游戏智能体，读者可了解从指令跟随到自主推理与自我改进的路径。
Google DeepMind 在 Nature 发表新论文，提出三步对齐方法，将视觉模型的内部表征重组得更接近人类认知。研究基于 THINGS 数据集训练 SigLIP-SO400M 适配器生成百万级图像的 AligNet 数据集，再微调其他模型，使其在"找不同"任务上更符合人类判断，并提升鲁棒性与泛化能力。
Google 发布三项生物圈研究成果：与 World Resources Institute 合作开发森林砍伐驱动因素模型，以 1km² 分辨率覆盖 2000-2024 年，并开放 30 米尺度砍伐风险预测基准数据集。
OpenAI 发布 IndQA，一个用于评估 AI 系统在印度语言中表现的新基准，由领域专家参与构建，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 Research 在 Research@ 活动上公布三项进展：Earth AI 整合地理空间模型与 LLM 推理，其河流洪水模型覆盖 150 个国家超 20 亿人；开源癌症变异识别工具 DeepSomatic 发表于 Nature Biotechnology，并与 Google DeepMind 联合发布 270 亿参数的单细胞分析基础模型 C2S-Scale。
Google Research 发布 StreetReaderAI 无障碍街景原型，基于 Gemini 构建 AI Describer 与 AI Chat 两个子系统，为盲人和低视力用户实时生成道路、路口与地点的语音描述，并支持语音或键盘平移、移动和跳转。
Hugging Face 发布指南，介绍如何用 Chandra、OlmOCR-2 等开源权重 OCR 模型搭建文档处理流水线，并给出各模型的 OlmOCR 评测分数。指南覆盖模型能力对比、微调与开箱即用的取舍、选型要点，以及用多模态检索和文档问答超越传统 OCR。
Hugging Face 为开源工具 AI Sheets 发布重大更新，新增视觉支持，可在表格中查看、分析图像并抽取信息，也能从文本生成图像和编辑图像，全部由 Inference Providers 上的开放模型驱动。
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（INT8）或静态量化压缩模型，最后执行推理，无需 GPU。
Hugging Face 发布 Smol2Operator，以 SmolVLM2-2.2B-Instruct 为基线，通过两阶段训练让原本无 grounding 能力的视觉语言模型获得 GUI 操作与智能体推理能力。
SchoolAI 基于 GPT-4.1、图像生成和 TTS 构建安全、教师引导的 AI 工具，已服务超过 100 万个课堂，提升参与度、监督能力和个性化学习。
Hugging Face 的 TRL 新增面向视觉语言模型的对齐支持，包括混合偏好优化 MPO、多模态 GRPO 以及 Qwen 提出的 GSPO，并扩展 RLOO 和 Online DPO 到 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，读者可据此判断多模态后训练的工具选择。
Mistral 用 LoRA 微调 Pixtral-12B 处理卫星图像，在 Aerial Image Dataset（8000 训练/2000 测试样本）的分类任务上显著优于基座模型，基座模型常把 Playground 误判为 Stadium，且会幻觉出不存在的类别名。
Hugging Face 开源长视频理解基准 TimeScope，将 5-10 秒的"针"片段插入 1 分钟至 8 小时的视频中，考察定位检索、信息综合与细粒度时序感知三项能力。测试显示，包括 Gemini 2.5-Pro 在内的领先视觉语言模型在真正的长视频任务上仍表现吃力，性能随视频变长明显下滑。
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 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走向。
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。朴素填充方案中约 60% 的 batch 被无用 padding token 占据，团队随后引入全局最大长度约束，并用背包问题（knapsack）策略将序列打包进固定 token 上限的 batch。
NVIDIA 发布 Llama Nemotron Nano VL，一个 8B 视觉语言模型，面向智能文档处理，已在 Hugging Face 上线并可通过 NVIDIA NIM API 调用。
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、Google AI Edge 等开源库上线。
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部署路径与内存优化思路。
H Company 发布 Holo1 系列 Action VLM 及多模态定位基准 WebClick，模型已开源在 Hugging Face。该系列包含 Holo1-3B 和 Holo1-7B，其中 7B 在常见 UI 定位基准上平均准确率达 76.2%，为小尺寸模型中最高。
推荐理由：Holo1 开源了 GUI 定位模型与配套基准，读者可据此评估浏览器自动化在成本与精度上的取舍。
Hugging Face 发布 nanoVLM，一个用纯 PyTorch 训练视觉语言模型（VLM）的轻量工具包，可在免费 Colab 上启动训练。其视觉骨干采用 Google 的 SigLIP 编码器，语言骨干沿用 Llama 3 架构，两者通过 Modality Projection 模块对齐，训练目标为视觉问答。
推荐理由：官方给出 nanoVLM 的架构选择与训练流程，读者可据此在免费 Colab 上跑通一个 VLM。
Hugging Face 发布博客盘点过去一年视觉语言模型的关键变化，涵盖 any-to-any、推理、小尺寸、MoE 解码器、视觉语言动作模型等新趋势。
Mistral AI 发布 Mistral Medium 3，称其在多项基准上达到 Claude Sonnet 3.7 的 90% 或以上，价格为每百万 token 输入 0.4 美元、输出 2 美元。
推荐理由：官方给出 Mistral Medium 3 的定价、对标模型与部署门槛，可据此判断企业选型的成本与落地条件。
Meta 发布 Llama Guard 4，一个 12B dense 多模态安全模型，以及两个新的 Llama Prompt Guard 2 模型，模型 checkpoint 已上线 Hugging Face Hub 的 Llama 4 Collection。
推荐理由：Meta 开源多模态安全模型，给出架构剪枝思路与相对上一代的召回对比，可据此评估内容审核管线。
TNG 基于 olmOCR-7B-0225-preview 微调出一款忠实 OCR 引擎，解决了原模型为生成训练数据而忽略页眉页脚信息的问题。团队用 Qwen2.5-VL-72B-Instruct 生成 8000 份文档数据集，在 8xH100 节点上训练 2.5 个 epoch，使模型能完整提取发票等文档的页眉页脚内容并保留表格解析能力。微调模型已在 Hugging Face 开源。
Cohere 正式接入 Hugging Face Inference Providers，成为首个在 HF Hub 上直接分享并托管自家模型的模型厂商。
Language Technologies Lab 发布 Visual Salamandra，将 Salamandra Instructed 7B 大语言模型扩展至图像和视频多模态任务，集成 Google SigLIP-So400m 编码器与 2 层 MLP 投影器，采用四阶段训练，使用 610 万条指令微调样本（含 84.2 万条纯文本）。
Meta 发布 Llama 4 Maverick（约 400B 总参数）与 Llama 4 Scout（约 109B 总参数），两者均为 17B 激活参数的 MoE 模型，原生支持文本与图像输入，并已在 Hugging Face Hub 上线。
推荐理由：Hugging Face 官方给出 Llama 4 两款 MoE 模型的架构细节与部署入口，可据此判断长上下文与多模态的落地条件。
NVIDIA 在 GTC 2025 上发布三项面向物理 AI 的开源成果：世界基础模型 Cosmos Transfer、Physical AI Dataset 以及人形机器人基础模型 NVIDIA Isaac GR00T N1。
推荐理由：NVIDIA 一次性开源世界模型、数据集与人形机器人基础模型，读者可据此判断物理 AI 开发可用的工具链起点。
Mistral AI 发布 Mistral Small 3.1，在 Mistral Small 3 基础上提升文本性能与多模态理解，上下文窗口扩展至 128k tokens，推理速度达 150 tokens per second，采用 Apache 2.0 许可。
推荐理由：官方给出 Mistral Small 3.1 的基准对比、128k 上下文与端侧运行门槛，便于判断小模型选型。
Google 发布 Gemma 3 系列开放权重模型，提供 1B、4B、12B、27B 四种规模，含预训练与指令微调版本。4B、12B、27B 支持图像与文本输入及 140 多种语言，上下文窗口从 Gemma 2 的 8k 提升至 128k，1B 版本为纯文本、32k 上下文。
推荐理由：梳理 Gemma 3 的四种规模、多模态与 128k 上下文改动，并给出 transformers、MLX、llama.cpp 的落地路径。
Mistral AI 发布光学字符识别 API Mistral OCR，可接收图片和 PDF，按顺序交错提取文本与图像，并已作为 Le Chat 文档理解的默认模型。
推荐理由：官方给出 Mistral OCR 的定价、基准对比与自托管选项，可据此判断它在文档解析与 RAG 流程中的位置。
Cohere For AI 发布 Aya Vision 系列 8B 和 32B 参数视觉语言模型，覆盖 23 种语言，并以开放权重形式发布。
推荐理由：官方披露了 8B 与 32B 两个开源权重的多语言视觉语言模型，并给出与更大规模模型的对比胜率，便于判断小参数多模态模型的当前水位。
Hugging Face 与印度科学研究所 IISc/ARTPARK 达成合作，让全球开发者更便捷地使用印度多模态多语言数据集 Vaani。
Hugging Face 发布 SmolVLM2 系列视频理解模型，提供 2.2B、500M 和 256M 三种参数规模，并称 500M 与 256M 是迄今最小的视频语言模型。
推荐理由：官方给出三种参数规模与 Video-MME 表现，可据此判断小模型端侧视频理解的实际可用边界。
Mistral AI 发布 Mistral Saba，这是其首个专门面向区域语言的模型，参数规模 24B，训练数据来自中东和南亚。该模型支持阿拉伯语和多种印度源语言，在泰米尔语等南印度语言上表现突出，官方称其回答比规模大 5 倍以上的模型更准确，同时速度更快、成本更低。
推荐理由：Mistral 推出面向中东和南亚的区域语言模型，读者可了解其参数规模、语言覆盖与本地部署方式。