文本之外的能力：视觉理解、图文混合、音视频输入输出的模型与产品进展。
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。
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。
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。
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。
Google 发布 SigLIP 2 系列多语言视觉语言编码器，在 SigLIP 的 sigmoid loss 基础上加入解码器、自蒸馏 Global-Local loss 与 Masked Prediction loss 等训练目标。
推荐理由：梳理 SigLIP 2 相比 SigLIP 新增的训练目标与 naflex 动态分辨率变体，便于理解视觉编码器的演进方向。
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。
Hugging Face 为 smolagents 加入视觉支持，可在智能体流程中原生使用视觉语言模型。图像既可在 run 方法中一次性传入并存入 TaskStep 的 task_images，也可通过 step_callbacks 回调在每步把截图写入 ActionStep 的 observation_images。
推荐理由：官方给出两种向智能体传入图像的方式和回调写法，可直接迁移到浏览器自动化等视觉场景。
Hugging Face 发布 SmolVLM 家族新成员 SmolVLM-256M 和 SmolVLM-500M，共四个 checkpoint，含两个 base 模型和两个指令微调模型，可直接加载到 transformers、MLX 和 ONNX，并提供 transformers 与 WebGPU 演示。
推荐理由：官方披露了从 2B 缩到 256M 与 500M 的取舍细节，可看到小模型在视觉编码器和 tokenization 上的具体权衡。
Hugging Face 发布 SmolVLM，一个 2B 参数的小型视觉语言模型家族，包含 Base、Synthetic 和 Instruct 三个版本，模型权重、数据集、训练配方与工具均以 Apache 2.0 协议开源。
推荐理由：官方给出 2B 视觉语言模型的显存占用、吞吐与基准对比，可据此判断端侧多模态部署的可行边界。
Mistral AI 为免费生成式 AI 助手 le Chat 推出一批 beta 功能，包括带引用的联网搜索、用于构思与就地编辑和导出的 Canvas、由新多模态模型 Pixtral Large 支持的文档与图像理解、由 Black Forest Labs Flux Pro 支持的图像生成，以及可复用提示词流程的智能体。
推荐理由：官方一次性列出 le Chat 的联网搜索、Canvas、文档图像理解与智能体等能力，并给出与主流助手的逐项对比。
Mistral AI 发布 Pixtral Large，一个基于 Mistral Large 2 的 124B 开放权重多模态模型，含 123B 多模态解码器和 1B 参数视觉编码器，支持 128K 上下文窗口，可容纳至少 30 张高分辨率图像。
推荐理由：原文给出 Pixtral Large 的基准成绩与开放权重许可，读者可据此判断开源多模态模型与闭源前沿模型的差距。