Genspark 与 Fireworks Lab 将开源多模态模型 MiniMax M3 后训练为 Gen-1 Slides，可端到端规划、撰写并自检幻灯片，现已作为 Genspark AI Slides Standard 模式默认模型上线。
推荐理由：文章给出了从 MiniMax M3 后训练到专用幻灯片模型的完整 RL 方法、成本对比和生产指标，适合了解长程智能体训练如何落地。
Google DeepMind 与 Google Research 发布全球天气 AI 模型 WeatherNext 3，接入实时卫星数据、每小时更新，并提供最高 5 公里分辨率预报。
推荐理由：文章说明了实时卫星数据、逐小时更新和多档分辨率如何改进局地与降水预报，并列出 Google 产品和云端接入入口。
H Company 与 Hugging Face 发布 260M 和 800M 两种规格的 NeoMME 多模态多语言编码器，并用其微调得到视觉文档检索模型 NeoMME-Retriever。
推荐理由：文章给出单塔架构、ViDoRe v3 成绩、编码吞吐和索引压缩数据，便于评估其在视觉文档检索与视觉 RAG 中的工程取舍。
Google DeepMind 为 Gemini 3.7 Flash、3.6 Flash 和 3.5 Flash-Lite 推出智能体视频理解能力，可动态搜索、扫描和检查视频帧、音频及字幕中的相关片段。
推荐理由：官方说明了动态检索视频片段的工作方式、成本与 token 变化，便于开发者评估长视频分析接入路径。
Microsoft Research 联合 University of Washington 和 Providence 发布 GigaPath-Flash 与 GigaTIME-Flash，两款开放权重模型以 Apache 2.0 许可在 Hugging Face 提供。
Google Research 介绍 Google Earth AI 旗下实验性研究能力 Planetary Prediction Engine（PPE），可根据自然语言查询自动完成地理空间数据发现、清洗、特征工程、模型训练与评估，并生成报告。
推荐理由：文章给出了自动化地理空间建模的三阶段流程，并在公共卫生、粮食安全和疫情预测任务中提供了可对比的基准结果。
Google DeepMind 推出 Gemini Omni 1.1 Flash，通过 Google AI Studio 的 Gemini API 面向开发者提供新的创作控制和生成视频能力。
推荐理由：官方说明了场景延展、首尾帧、360p 草稿和 4K 升清等视频控制能力，便于开发者评估接入方式。
Google Research 推出 CHI 2026 研究原型 AgentHands，可将 LLM 输出映射为 XR 环境中与语音同步的实时手势。系统通过环境感知、手势事件库、手势嵌入推理与同步执行，把抽象指令转化为空间演示；在 N=12 的对照实验中，相比纯语音基线显著提升了空间锚定效果。
Google Research 推出 Biomarker Discovery Framework，通过多智能体研究循环从可穿戴传感器数据中优先筛选候选生物标志物，并保留人工监督。
Google DeepMind 回顾从 DQN、AlphaGo 到 AlphaStar 的游戏 AI 研究，并宣布与 Fenris Creations 围绕 EVE Universe 开展新合作。其 Gemini 驱动的 SIMA 2 可通过键盘鼠标理解自然语言指令，已在 No Man's Sky、Valheim 等游戏环境中实现类人游玩。
Sentence Transformers v6.0 新增第四种模型类型 MultiVectorEncoder，用于 ColBERT 式晚交互检索，并可直接加载 PyLate、Stanford-NLP ColBERT 检查点，也支持 colpali-engine 视觉文档检索模型。
推荐理由：文章围绕 Sentence Transformers v6.0 的 MultiVectorEncoder，给出加载、检索、索引和多模态用法，便于直接迁移到现有 RAG 流程。
Google Research 发布实验性深度学习框架 PhotoScan，可通过标准 2D 智能手机照片估算体脂率、A/G 比例和 V/S 比例。
OlmoEarth Studio 现已支持计算并导出来自开源 OlmoEarth 基础模型的地球观测嵌入向量，输出为可分享的 Cloud-Optimized GeoTIFF。
Microsoft Research 推出 MindTopo 基准，用于评测多模态大语言模型对连通性、分离、顺序、包围和绳结等拓扑关系的推理与规划能力。基准包含静态 reasoning 任务和模拟环境中的 planning 任务，场景由可控模拟器生成并提供精确 ground truth。
Google DeepMind 发布大规模多语言手语转文本模型 SL2T，首先支持 ASL 到英语，并在 Pixel 11 的 Gboard 和 Live Transcribe 中提供手语转文字听写，更多设备和语言将随后推出。
推荐理由：原文说明了 SL2T 的手语到文本技术路径、训练规模和首批落地入口，可帮助读者理解视觉手语翻译进入消费产品的方式。
Google Research 发布基于 Gemini 和 Project Astra 的 AMIE (Video)，可进行同步临床视频问诊、识别非语言线索、引导虚拟查体并实时完成诊断推理。
推荐理由：文章给出 AMIE (Video) 的三智能体架构和 300 场随机视频问诊结果，可用于理解多模态临床 AI 从文本走向实时音视频的技术路径。
Microsoft Research 发布研究模型 CARE-X，用统一胸部 X 光 VLM 支持报告生成、疾病分类、否定判断、设备位置和异常区域定位。
Fireworks 宣布 Meta 的 Muse Glimmer 30B 已在 serverless 和 on-demand 部署中可用，定位为支持多轮连续工具调用、失败恢复和长上下文任务的 Always-On 智能体模型。
推荐理由：文章给出模型架构、部署方式和面向智能体工作流的基准结果，可帮助判断其在长链路工具调用场景中的适配性。
Meta 发布 Muse Glimmer-30B，这是从 Muse 蒸馏出的 30B 稠密多模态模型，采用 Apache 2.0 许可，面向本地智能体、编码、文档分析和个人助理等隐私敏感场景。
推荐理由：文章同时给出架构、基准和 transformers、llama.cpp、vLLM 的 day-0 接入方式，便于评估本地智能体部署路径。
Fireworks 宣布原生上线 Voyage AI by MongoDB 全系列模型，包括 Voyage 4 family、voyage-multimodal-3.5 和 rerank-2.5，使 embed、retrieve、rerank、generate 流程运行在同一平台、同一 API 和同一延迟域。
Mistral AI 发布 3B 开源权重多模态安全分类模型 Shieldstral，采用 Apache 2.0 许可，可在单张 16GB GPU 上运行。模型把内容审核建模为二元问答任务，用户在推理时用自然语言提供策略，模型通过单个 token 输出校准的 yes/no 安全分数，无需重新训练即可评估文本、图像及文本加图像内容。
推荐理由：原文说明了用自然语言策略在推理时适配审核规则的设计，便于理解小模型安全分类器的工程取舍。
Google DeepMind 发布 Gemini Robotics ER 2，这是面向机器人的具身推理模型，可理解视频、编排多步任务、调用 Google Search 或用户自定义工具，并把运动执行交给低层 VLA 模型。
推荐理由：官方说明了视频理解、任务编排和多机器人协作能力，并给出 API 与 AI Studio 的可用入口。
Google DeepMind 推出 Gemini Robotics 2，包含 VLA 模型 Gemini Robotics 2、具身推理模型 Gemini Robotics ER 2 和本地运行的 Gemini Robotics On-Device 2。
推荐理由：官方拆解了三款模型在全身控制、灵巧操作、长程协作和端侧适配上的分工，可帮助理解机器人智能层的能力边界。
Fireworks 宣布开放权重模型 Kimi K3 已在平台 Day-0 提供推理和训练，支持按 token 付费、Serverless 接入、Batch 模式 50% 折扣，以及美国境内推理和 Zero Data Retention。
推荐理由：文章同时给出推理、训练入口、数据驻留与零保留策略，便于团队评估用开放权重模型承接生产任务的可行性。
Google DeepMind 发布 Gemini 3.6 Flash、3.5 Flash-Lite 和网络安全专用的 3.5 Flash Cyber，主打规模化构建 AI 智能体所需的效率、低延迟与可靠性。
推荐理由：官方同时给出三款模型的定位、价格、速度与基准表现，可帮助开发者按延迟、成本和智能体任务需求选型。
DharmaOCR 在面向葡萄牙语的 OCR 基准上以 0.925 分击败发布更晚的 Mistral OCR4（0.798）和 Unlimited-OCR（0.7587）。该模型经监督微调与 DPO 两阶段训练，全部参数专注巴西葡萄牙语，取得最高提取质量分与最低退化率，证明领域专精优势未被新架构消除。
Thinking Machines 在 Hugging Face 发布开源多模态 LLM Inkling，并推出 Inkling-Small 及 NVFP4 等变体。
推荐理由：文章同时给出模型架构、量化部署配置和多框架支持，便于评估多模态推理模型的落地门槛。
Google Research 与 Google DeepMind 等推出 Large Sensor Foundation Model SensorFM，直接从大规模无标签可穿戴设备数据学习通用生理表征。
Hugging Face 发布 LeRobot v0.6.0，围绕想象、评估和改进机器人学习闭环，新增 VLA-JEPA、FastWAM、LingBot-VA 世界模型策略，以及 GR00T N1.7、MolmoAct2、EO-1、EVO1、Multitask DiT 等 VLA。
推荐理由：版本说明覆盖模型、奖励模型、数据集、评测和部署链路，可帮助机器人学习团队判断哪些新组件能接入现有训练流程。
Photoroom 公开 PRX 7B 文生图模型的数据管线：混合公共与内部数据集，用 VLM 为全部图片重新生成详细长描述，再写成可流式训练的 MDS 语料。
推荐理由：文章拆解了7B文生图模型从数据探索、VLM重标注到分桶、过滤和去重的完整管线，工程取舍可直接参考。
Google DeepMind 与电影公司 A24 宣布达成首创性研究合作，双方将开展长期、跨多个项目的深度研发协作。合作将 Google DeepMind 的技术创新嵌入创作流程，由 A24 及其电影人为新技术提供反馈，共同开发新工作流与技法、拓展叙事可能性，Google 同时对 A24 进行了投资。
Hugging Face 与 Cerebras 发布实时语音 AI 演示，将开放的级联语音到语音架构与 Cerebras 推理结合。链路使用 Nvidia Parakeet 做语音识别、Cerebras 上的 Google DeepMind Gemma 4 31B VLM 推理，以及 Alibaba Qwen3TTS 生成语音；各层开放、可替换。
Google Research 发布覆盖 50 多个全球城市的建筑级屋顶反射率数据集，并上线高分辨率 Heat Resilience Earth Engine App 供公众使用。
Google DeepMind 发布图像模型 Nano Banana 2 Lite，并首次通过 Google AI Studio、Gemini API 和 Gemini Enterprise Agent Platform 向开发者开放视频生成与对话式编辑模型 Gemini Omni Flash。
推荐理由：原文同时给出两款生成媒体模型的接入平台、价格、延迟和当前限制，便于开发者评估图像到视频工作流的组合用法。
Mistral 发布 Mistral OCR 4，新增边界框、块类型分类和行内置信度分数，支持 10 个语言组中的 170 种语言，并可在单个容器内完全自托管。
推荐理由：官方完整说明了结构化文档解析能力、170 种语言支持、基准表现、API 与自托管价格，便于评估企业文档入库方案。
Google Research 发布矢量化数据集，将 Farmscapes 2020 高分辨率栅格地图转化为可操作的英国树篱、石墙和矮林清单，支持土地所有者测量并扩展这些细尺度生态特征。该框架基于 RSF ViT Backbone 微调，结合亚米级影像、1 米 LiDAR 与 Polsby–Popper 紧凑度评分，解决重叠拓扑、瓦片切割和大规模栅格转矢量难题。
Google Research 发布针对皮肤问题 AI 信息工具的研究，评估用户在 AI 辅助下识别病症与决定后续行动的能力。2345 名参与者的随机对照实验显示，AI 组病症命名准确率为 23%，对照组为 8%，但标准 AI 组的后续行动准确率未显著提升。研究还通过混合方法考察用户如何将 AI 获得的理解与医生沟通进行比较。
Google DeepMind 发布音频模型 Gemini 3.5 Live Translate，可对 70 多种语言进行近实时语音到语音翻译，并保留说话者的语调、节奏和音高。
推荐理由：官方说明了 70 多种语言的连续语音翻译能力，并给出 API、Google Meet 和 Google Translate 的落地入口。
Google DeepMind 发布 Gemma 4 12B，这是一款面向笔记本本地运行的智能体多模态模型，可在 16GB VRAM 或统一内存上运行。模型采用无独立多模态编码器的统一架构，视觉和音频输入直接进入 LLM 主干，并内置 Multi-Token Prediction drafters 以降低延迟；官方称其基准性能接近 26B MoE，且总内存占用不到一半。
推荐理由：官方说明了无编码器统一架构、16GB 内存本地运行和 Apache 2.0 开放方式，便于评估端侧多模态智能体开发可行性。
Google Research 在 Nature 论文中提出 PHRM 研究系统，可在用户面部解锁手机后通过前置摄像头拍摄 8 秒面部视频，在日常使用中被动估计心率和每日静息心率。
推荐理由：文章给出跨肤色验证误差、真实环境测试和数据集开放方式，可帮助读者理解手机摄像头被动测心率的可行边界。