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。
#多模态
#多模态
今日 3 条Mistral AI精选AI 评分6666 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。
Google DeepMind精选AI 评分8080 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，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精选AI 评分8484 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），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 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精选AI 评分8787 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，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 ResearchAI 评分3838 Google DeepMind 发布 Natural Forests of the World 2020：10 米分辨率天然林地图
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精选AI 评分6666 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 DeepMindAI 评分4444 Google DeepMind 研究：让 AI 像人类一样看世界
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 DeepMindAI 评分2626 Google 用 AI 绘制物种分布、预测森林砍伐并升级生物声学模型 Perch
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 NewsAI 评分2222 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 ResearchAI 评分4242 Google Research 发布 Earth AI、DeepSomatic 与 Quantum Echoes 等研究进展
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 ResearchAI 评分4141 Google 推出 StreetReaderAI：用 Gemini 多模态 AI 让街景对视障用户可访问
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 BlogAI 评分3636 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 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 BlogAI 评分5858 Hugging Face AI Sheets 加入视觉能力，可在表格中处理图像
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 BlogAI 评分2626 如何在 Intel CPU 上三步运行 VLM：以 SmolVLM 为例
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 BlogAI 评分4848 Hugging Face 发布 Smol2Operator：用两阶段后训练让 SmolVLM2 变身 GUI 智能体
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。
OpenAI NewsAI 评分1818 SchoolAI 用 GPT-4.1 打造赋能教师的 AI 平台
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 Blog精选AI 评分6060 TRL 为视觉语言模型加入 MPO、GRPO、GSPO 等对齐方法
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 AIAI 评分3434 Mistral 如何通过微调 Pixtral-12B 提升卫星图像视觉语言模型表现
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 BlogAI 评分5050 TimeScope：你的视频大模型到底能看多长的视频？
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 AI精选AI 评分6666 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 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 BlogAI 评分3838 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。
Hugging Face BlogAI 评分5555 NVIDIA 发布 Llama Nemotron Nano VL 文档理解 VLM，已上线 Hugging Face
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。
Hugging Face Blog精选AI 评分7272 Gemma 3n 正式开源，接入 transformers、MLX、llama.cpp 等主流库
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。
Hugging Face Blog精选AI 评分7171 H Company 发布 GUI 自动化 VLM 系列 Holo1 与基准 WebClick
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 Blog精选AI 评分6262 Hugging Face 发布 nanoVLM：用纯 PyTorch 训练视觉语言模型的最简仓库
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 BlogAI 评分2828 Hugging Face 盘点视觉语言模型一年进展：更小、更快、更强
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精选AI 评分7171 Mistral AI 发布 Mistral Medium 3，主打低成本企业级部署
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。
Hugging Face Blog精选AI 评分6262 Meta 发布 Llama Guard 4 与 Llama Prompt Guard 2，上线 Hugging Face Hub
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。
Hugging Face BlogAI 评分3535 TNG 微调 olmOCR-7B-0225-preview，打造忠实还原页眉页脚的 OCR 引擎
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。
Hugging Face BlogAI 评分2222 Cohere 成为 Hugging Face Inference Providers 支持的首个模型厂商
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。
Hugging Face BlogAI 评分4040 Visual Salamandra 发布：将 7B 多语言 LLM 扩展至图像与视频
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）。
Hugging Face Blog精选AI 评分8585 Llama 4 Maverick 与 Scout 上线 Hugging Face
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。
Hugging Face Blog精选AI 评分6666 NVIDIA 在 GTC 2025 发布物理 AI 开源模型与数据集
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。