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。
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 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。
Mistral 发布 128B 稠密开放权重模型 Mistral Medium 3.5，公开预览并成为 Vibe 和 Le Chat 默认模型，支持 256k 上下文、可配置推理强度与视觉输入。
推荐理由：可了解 Mistral Medium 3.5 的参数规模、开放权重、定价，以及它如何支撑 Vibe 云端异步编码智能体。
Google DeepMind 在 Project Genie 中推出 Street View grounding 能力，让实验性世界模型 Genie 可基于 Google Street View 的真实地点影像生成可交互的想象世界。
推荐理由：官方说明了 Project Genie 接入 Street View 的生成方式、可用地区和订阅入口，便于理解世界模型从虚拟场景走向真实地点锚定的产品路径。
Google DeepMind 推出 Omni 系列首个模型 Gemini Omni Flash，支持组合图像、音频、视频和文本输入，生成依托 Gemini 现实知识的高质量视频，并可通过多轮自然语言对话编辑视频。
推荐理由：可了解 Gemini Omni Flash 的多模态输入、对话式视频编辑与上线渠道，便于对比现有视频生成工具的工作流差异。
Google 宣布在 Search、Gemini、Chrome、Pixel 和 Cloud 中扩展内容透明度与验证工具，并推出 Google Cloud Gemini Enterprise Agent Platform 上的 AI Content Detection API。
推荐理由：文章集中说明 SynthID、C2PA Content Credentials 和新检测 API 在 Google 产品中的落地范围，便于理解跨平台内容溯源工具链的进展。
Google DeepMind 发布 Gemini 3.5 模型系列，首发 Gemini 3.5 Flash，主打智能体、编码和长程任务能力。
推荐理由：官方给出 3.5 Flash 的基准成绩、可用入口和 3.5 Pro 节奏，便于判断其面向智能体与编码工作流的定位。
Google DeepMind 宣布 AI co-clinician 研究计划，探索在医生监督下由 AI 智能体辅助患者诊疗，并发布相关技术报告与模拟评测。医生侧评测覆盖 98 个初级保健问题，系统在 97 个案例中没有关键错误；在 OpenFDA 的 RxQA 开放式用药问答上也优于其他前沿模型。
推荐理由：材料同时给出医生辅助与患者远程问诊两类评测，可帮助读者理解医疗 AI 从文本问答走向实时多模态协作的边界。
Google Research 宣布 Google Photos 的 Auto frame 功能上线照片视角重构能力，可在拍摄后自动调整相机位置、朝向和焦距。该方法先通过内部 3D 点图模型重建场景、人体和面部并估计相机参数，再用生成式 latent diffusion 模型填补新视角露出的缺失区域。
推荐理由：文章拆解了 Google Photos Auto frame 的两阶段 3D 感知生成编辑流程，可帮助理解视角重构图功能的技术路径。
Google DeepMind 推出 Gemini Robotics-ER 1.6，这是面向机器人的高层推理模型升级，已通过 Gemini API 和 Google AI Studio 向开发者开放。
推荐理由：官方说明了空间推理、多视角理解和仪表读数等能力变化，并给出 Gemini API 与 Google AI Studio 的可用入口。
Google DeepMind 发布 Gemma 4 开源模型系列，包含 E2B、E4B、26B MoE 和 31B Dense 四种规格，采用 Apache 2.0 许可。
推荐理由：官方给出 Gemma 4 的四种规格、上下文长度、端侧与本地硬件适配及 Apache 2.0 许可，便于评估开源部署路径。
Google DeepMind 公布由 Gemini 驱动的 AI 指针实验，让用户通过指向屏幕内容并说话来完成总结、比较、改图、查路线等操作。该方案遵循保持工作流、展示并说明、支持 this 和 that 短指令、把像素转为可操作实体四项原则。
推荐理由：原文展示了指针如何结合视觉语义与语音指令，并说明 Chrome 与 Googlebook 的落地入口，可帮助理解跨应用 AI 交互的产品方向。
Google 发布 Vibe Coding XR 工作流，通过 Gemini 与基于 Web 的 XR Blocks 框架配合，把自然语言提示词直接生成具备物理感知的 Android XR 应用，官方称可在 60 秒内完成。
推荐理由：文章说明了自然语言生成 Android XR 应用的工作流、60 秒内出原型的入口和 VCXR60 初步评测，便于理解 XR 原型开发的新路径。
Google Research 联合多家 NHS 机构在 Nature Cancer 发表 AIMS 两项配套研究，评估 AI 乳腺癌检测系统的独立性能及其替代第二阅片人的双读流程。
推荐理由：两项配套研究分别验证独立 AI 读片性能和人机双读流程，为理解 AI 筛查的临床收益与落地约束提供了完整证据。
Mistral AI 发布 Mistral Small 4，将 Magistral 的推理、Pixtral 的多模态和 Devstral 的智能体编码能力统一到单个模型中，并采用 Apache 2.0 许可证。
推荐理由：官方给出架构参数、效率提升和部署配置，可帮助技术团队评估单模型替代专用模型的可行性。
Google Research 与 Beth Israel Deaconess Medical Center 合作，在门诊初级保健场景中测试对话式诊断 AI AMIE 的诊前病史采集。
推荐理由：这项真实门诊环境下的前瞻性可行性研究，提供了 AMIE 在医生监督中采集病史的安全性、诊断表现和医患接受度数据。
Mistral AI 发布 Mistral OCR 3，可从 PDF 和图像中提取文字与嵌入图片，输出带 HTML 表格重建的 markdown 或结构化 JSON。
推荐理由：官方给出相对 Mistral OCR 2 的胜率、价格和接入方式，便于评估文档解析流水线的升级成本。