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。
小米发布 MiMo-V2.6 系列原生全模态开源权重模型，其中 MiMo-V2.6-Pro 为 1.02T 总参数、42B 激活参数，采用 MIT 许可，Artificial Analysis 智能指数为 46，定价为输入 $0.435/M tokens、输出 $0.87/M tokens。
推荐理由：小米首次进入前沿开源模型序列，其 RL 环境与训练配方一并开源，读者可据此判断开源权重竞争的成本门槛变化。
Google DeepMind 在 Gemini 3.7 Flash、3.6 Flash 和 3.5 Flash-Lite 上推出智能体视频理解功能，官方称视频分析 token 消耗最多降低 88%、成本最多降低 66%、准确率最多提升 7%。
推荐理由：官方给出 token 与成本降幅及准确率变化，并说明在长视频场景下与静态逐帧处理的取舍差异。
Google DeepMind 发布 Gemini Omni 1.1 Flash，通过 Gemini API 在 Google AI Studio 提供面向开发者的生成视频控制能力。
推荐理由：原文列出场景延长、首尾帧插值与 4K 放大等具体能力与开放入口，可据此判断生成视频工作流的变化。
Google DeepMind 发布多语言手语转文本模型 SL2T，并在 Pixel 11 的 Gboard 和 Live Transcribe 中上线手语听写功能，首批支持美国手语（ASL）转英文。
推荐理由：官方披露了 SL2T 的训练规模、手语到文本的翻译路径与隐私处理方式，可了解手语 AI 从实验室进入消费产品的技术取舍。
Google Research 发布 AMIE (Video)，基于 Gemini 和 Project Astra 实现实时视频临床问诊，可感知非语言线索、引导虚拟体格检查并实时推理诊断。
推荐理由：Google 用 300 场随机对照视频问诊给出 AMIE 多智能体架构的评测细节，可了解实时音视频临床推理的当前边界。
NVIDIA 发布 Magpie TTS Multilingual，一个 364M 参数开放权重模型，支持 12 种语言，新增现代标准阿拉伯语、韩语和巴西葡萄牙语，并通过更新训练数据提升了多种既有语言的质量。
推荐理由：原文给出 364M 开源 TTS 的多语言扩展与各 GPU 上的 TTFA 实测数据，便于评估自建语音链路的延迟预算。
Meta 发布 Muse Glimmer，一个从 Muse 蒸馏到 30B 参数的多模态模型，采用 Apache 2.0 许可，面向本地智能体场景，如编码、文档分析和个人助理。
推荐理由：Meta 开源 30B 多模态模型并给出与 Gemma4、Qwen3.6 的基准对比，可据此判断本地智能体选型。
Mistral AI 发布 Shieldstral，一个 3B 开源权重多模态安全分类器，以 Apache 2.0 许可开放下载，可在单张 16GB NVIDIA GPU 上运行。该模型把内容审核建模为策略自适应的问答任务，推理时接受自然语言策略并输出校准后的安全分数，无需重新训练即可统一文本与图像安全评估。官方称其在文本安全上可匹配最多 7 倍参数量的模型，并在多模态审核上取得新的 SOTA。
推荐理由：3B 开源权重模型以推理时自然语言策略替代固定危害分类，读者可据此判断内容审核的部署方式变化。
Google DeepMind 发布 Gemini Robotics ER 2，作为机器人的高层大脑，支持视频理解、任务编排与多机器人协作，并可通过 Gemini API、Google AI Studio 使用，Gemini Enterprise Agent Platform 上为私密预览。
推荐理由：官方给出进度分类、时刻定位与多机协作的具体指标，可据此判断机器人在长任务中的自主完成度。
Google DeepMind 发布 Gemini Robotics 2，作为新一代机器人的智能层，解锁全身控制、灵巧操作和多机器人协作。
推荐理由：官方给出三款模型的职责分工与开放入口，读者可据此判断机器人全身控制与多机协作的落地路径。
Google Research 发布论文 SymptomAI，用五个基于 Gemini Flash 2.0 的实验性对话智能体开展症状问诊与鉴别诊断（DDx），共 13917 名受试者参与随机分组研究。
推荐理由：Google 用 13917 人随机对照研究比较五种 Gemini Flash 2.0 症状问诊智能体，并给出临床专家盲评与可穿戴设备数据交叉验证。
Google DeepMind 发布 Gemini 3.6 Flash、3.5 Flash-Lite 和面向网络安全的 3.5 Flash Cyber。
推荐理由：官方给出三款 Flash 系列的 token 效率、价格与基准对比，可据此判断智能体工作流的成本变化。
Thinking Machines 在 Hugging Face 发布 Inkling，一个约 1T 参数、支持 1M 上下文、原生接收图像文本音频输入的开源多模态 MoE 模型，同时推出 276B 总参数 12B 激活的 Inkling-Small。
推荐理由：原文给出 Inkling 的架构细节、部署配置与多模态评测数据，可据此判断其推理成本与适用场景。
Mistral AI 发布首个具身导航模型 Robostral Navigate，这是一个 8B 模型，仅用单个普通 RGB 相机、无需 LiDAR 或深度传感器，在 R2R-CE validation unseen 上达到 76.6% 成功率，比最佳单相机方案高 9.7 个百分点，比使用深度或多相机的最佳系统高 4.5 个百分点。
推荐理由：Mistral 首个具身导航模型仅用单目 RGB 相机就在 R2R-CE 上超过多传感器方案，可看其训练与强化学习设计。
Hugging Face 与 Cerebras 联合演示了一套实时语音到语音流水线，用 Cerebras 加速 Gemma 4 31B 的推理。该架构为开放可替换的级联栈：Nvidia Parakeet 做语音识别，Gemma 4 VLM 在 Cerebras 上推理，阿里 Qwen3TTS 做文本转语音。
推荐理由：原文给出了可复用的开源语音到语音流水线架构，读者可据此了解各模块如何组合与替换。
Google DeepMind 发布 Nano Banana 2 Lite（gemini-3.1-flash-lite-image）与 Gemini Omni Flash（gemini-omni-flash-preview）。
推荐理由：两款模型同时开放开发者入口，并给出延迟、单价与视频时长等具体参数，便于判断多模态流水线的成本与可用性。
PaddleOCR 发布新一代通用 OCR 模型家族 PP-OCRv6，已在 Hugging Face 上线，提供 tiny、small、medium 三档，参数量从 1.5M 到 34.5M，其中 small 和 medium 支持 50 种语言。
推荐理由：原文给出三档模型参数、检测与识别指标及多后端接入方式，便于读者按部署场景选型。
Google DeepMind 发布 Gemma 4 12B，一款面向笔记本电脑的智能体多模态模型，介于边缘端 E4B 与 26B MoE 之间，可在 16GB VRAM 或统一内存上本地运行。
推荐理由：Gemma 4 12B 用无编码器架构把多模态能力压到 16GB 显存，读者可据此判断本地智能体的可行边界。
Google Research 在 Nature 发表研究，提出 PHRM 系统，利用手机前置摄像头在面部解锁后的数秒内拍摄视频，通过深度学习在后台估算心率与静息心率。
推荐理由：Google 用手机前摄在解锁后被动测心率，并公开迄今最大规模手机视频数据集与预训练模型。
NVIDIA 发布 Nemotron 3.5 Content Safety，基于 Gemma 3 4B IT 微调，把多模态输入、多语言覆盖、自定义企业策略执行和可审计推理统一到一次推理调用中。
推荐理由：NVIDIA 把多模态、多语言、自定义策略与可审计推理合并进一次推理调用，并公开训练数据集，便于企业评估安全护栏的落地成本。