Google 发布 Gemini 4 Argon，称其为迄今最强模型
Google 母公司 Alphabet 发布 Gemini 4 Argon，面向编码、研究和写作等任务，重点用于防御性网络安全。该模型目前通过 Fairwind Program 向部分网络安全合作伙伴开放，Google 称其能够自主发现、验证并修复关键软件漏洞。
#多模态
#多模态
今日 2 条TechCrunch · AIAI 评分7575 The DecoderAI 评分6969 Tavus 发布 Griffin 实时视频对话模型，48% 受试者误以为是真人
Tavus 推出 Griffin，这是一种用于实时面对面视频对话的 Human Interaction Model。Tavus 的研究显示，48%的参与者在一分钟视频通话后认为 Griffin 是真人；在一项 Nvidia 测试中，Griffin 得分为 3.83，真人为 3.92，上一代最佳 AI 模型为 2.80。
Google DeepMind精选AI 评分9090 Google DeepMind 发布 Gemini 4 Argon，强化长程推理与网络安全防御
Google DeepMind 宣布 Gemini 4 Argon，这款新模型面向软件工程、法律和金融等企业知识工作，以及网络安全防御，正在通过 Fairwind Program 向可信网络防御者分阶段开放。
推荐理由：文章同时给出 Gemini 4 Argon 的长程任务能力、评测结果、定价与分阶段开放安排，便于了解其面向企业和安全场景的落地边界。
AWS Machine Learning Blog精选AI 评分8282 Grok 4.7 现已在 Amazon Bedrock 上线
xAI 的 Grok 4.7 已在 Amazon Bedrock 模型目录上线，支持编码、长时智能体和知识工作，提供 500K token 上下文窗口与 low、medium、high、xhigh 四档推理强度。
推荐理由：文章把 Grok 4.7 在 Amazon Bedrock 上的接入方式、推理开销和权限配置串联起来，便于开发者评估长任务部署方案。
Hugging Face Blog精选AI 评分7474 Liquid AI 发布 LFM2.5-VL-3B 的 LFM2.5-VL-DSpark 加速模型
Liquid AI 发布面向视觉语言模型 LFM2.5-VL-3B 的实验性 LFM2.5-VL-DSpark draft model，通过 speculative decoding 在不改变输出质量的情况下加速推理。
推荐理由：这次发布展示了 DSpark 如何在不改变输出质量的前提下加速 VLM 推理，并给出端侧与 H100 上的实测收益和部署方式。
Google DeepMind精选AI 评分8383 Google 发布 Gemini 3.8 Flash TTS 和 Flash-Lite TTS
Google 发布 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS，用于生成可定制的角色声音、逐句指导场景对白和大规模语音内容。
推荐理由：两款模型分别覆盖创意驱动与高量低成本语音生成，并提供声音定制、逐句导演和同意验证，展示了语音模型面向生产应用的能力边界。
Google DeepMind精选AI 评分8787 Google DeepMind 发布 WeatherNext 3 全球天气 AI 模型
Google DeepMind 和 Google Research 发布 WeatherNext 3 全球天气模型，使用实时卫星数据每小时生成高分辨率预报。模型可在最高 5-kilometer 分辨率下预测天气变量，并提供 100-meter 风速、云量和太阳辐射等清洁能源相关数据。
推荐理由：WeatherNext 3 将实时卫星观测、小时级更新和更高空间分辨率结合起来，并延伸到降水与可再生能源预测。
Hugging Face Blog精选AI 评分7878 Hugging Face发布NeoMME多模态多语言编码器
Hugging Face发布NeoMME系列多模态多语言编码器，提供260M和800M两种规模，使用单个双向Transformer处理文本token与原始图像patch，并从零开始训练。
推荐理由：NeoMME同时展示了单塔多模态编码、视觉文档检索和索引压缩方案，便于比较效率、检索质量与存储成本之间的取舍。
Microsoft Research精选AI 评分7676 Microsoft Research 发布 GigaPath-Flash 和 GigaTIME-Flash 病理基础模型
Microsoft Research 发布 GigaPath-Flash 和 GigaTIME-Flash 两款 Apache 2.0 开放权重病理基础模型，分别用于全切片表征学习和从 H&E 预测空间蛋白组。
推荐理由：两款开放权重模型用蒸馏和轻量编码器降低病理分析成本，并给出不同队列上的性能与资源对比，便于评估其研究用途。
Google Research精选AI 评分8282 Google Research 推出 Planetary Prediction Engine，自动化全球地理预测建模
Google Research 介绍 Planetary Prediction Engine（PPE），这是 Google Earth AI 旗下的实验性研究能力，可根据自然语言查询自主完成地理数据发现、清理、特征工程、模型训练与评估。
推荐理由：文章展示了 PPE 如何把地理数据发现、特征构建和模型评估串成自动化流程，并用多个领域的基准结果说明其应用价值。
Google DeepMind精选AI 评分8282 Google DeepMind 发布 Gemini Omni 1.1 Flash，新增可控视频生成能力
Google DeepMind 推出 Gemini Omni 1.1 Flash，为开发者提供场景延展、首尾帧插值、视频参考和最高4K输出等生成视频能力。模型可分析最多10秒的既有上下文，视频可按10秒增量延展至累计40秒；360p预览生成速度最高提升60%，成本为720p的三分之一。
推荐理由：Gemini Omni 1.1 Flash把场景延展、首尾帧控制、视频参考和4K输出整合进开发接口，呈现了生成视频从原型到制作的具体工作流。
Google Research精选AI 评分6969 Google Research 推出 PhotoScan 研究框架，用手机照片估计心代谢风险
Google Research 介绍 PhotoScan，一种从标准 2D 手机照片估计体脂率、A/G ratio 和 V/S ratio 的深度学习框架。模型先在 UK Biobank 的 35,323 条记录上预训练，再用 677 名成人的 PhotoBIA 数据微调，并在 132 人的独立队列中验证。
推荐理由：研究用多个独立队列比较 PhotoScan 与 BIA、DXA 在体成分估计和胰岛素抵抗分类上的表现，展示了手机影像的研究价值。
Google DeepMind精选AI 评分9191 Google DeepMind发布SL2T手语转文本模型，登陆Gboard和Live Transcribe
Google DeepMind发布手语转文本模型SL2T，首先支持ASL到英语，并为Pixel 11上的Gboard和Live Transcribe提供手语输入功能。SL2T使用超过100,000小时、覆盖50多种手语的数据训练，端侧MediaPipe Holistic仅上传身体姿态坐标进行翻译；在FLEURS-ASL基准上取得70 BLEURT的zero-shot分数。
推荐理由：SL2T将大规模多语言训练、端侧姿态追踪与隐私设计结合，并已进入Gboard和Live Transcribe，展示了手语翻译落地面临的关键技术取舍。
Google Research精选AI 评分8787 Google Research 推进 AMIE 实时音视频临床问诊能力
Google Research 介绍了基于 Gemini 和 Project Astra 的 AMIE (Video)，可在实时视频问诊中感知非语言临床线索、引导虚拟体格检查并进行诊断推理。研究覆盖 100 个场景和 300 次咨询，在核心临床能力上评估结果与初级保健医生相当；但研究仅使用专业患者演员，真实患者和真实临床条件下的实用性仍需进一步验证。
推荐理由：研究展示了 AMIE 从文本对话扩展到实时音视频问诊的系统设计与评估，也清楚交代了模拟场景和真实患者验证之间的边界。
Microsoft Research精选AI 评分7676 Microsoft Research 介绍 CARE-X：结合辅助监督、奖励对齐学习与工具测量的胸片 VLM
Microsoft Research 介绍研究模型 CARE-X，用于统一处理胸部 X 光片报告生成、病变分类、定位和医学设备评估，并结合辅助预测头提供可调阈值的置信度输出。
推荐理由：文章系统展示了 CARE-X 如何结合生成、结构化预测与 DAPO，并以工具增强测量处理胸片中的定量诊断任务。
Hugging Face Blog精选AI 评分9191 Meta 发布开源多模态模型 Muse Glimmer-30B，面向本地智能体应用
Meta 发布 Muse Glimmer-30B，一款面向本地智能体场景的开源多模态模型，采用 30B 参数架构并以 Apache 2.0 许可证发布。模型包含 2B 视觉编码器和 28B 文本解码器，支持图像、视频、工具调用与对象检测，并获得 Transformers、llama.cpp、vLLM 和 Inference Endpoints 的 day-0 支持。
推荐理由：文章同时给出 Muse Glimmer 的架构、基准结果和多种部署示例，便于比较其本地智能体定位与实际使用路径。
Google DeepMind精选AI 评分9393 Google DeepMind 开源 WeatherNext，气旋预报提前量增加超过一天
Google DeepMind 发布并开源 WeatherNext 2、WeatherNext Cyclones 和 WeatherNext 2-mini，用于预测气旋路径、强度和风结构。
推荐理由：WeatherNext 将气旋路径、强度和风场预测整合到单一模型，并开放代码与权重，展示了 AI 天气预报从研究走向实际应用的路径。
Mistral AI精选AI 评分8787 Mistral AI 发布 Shieldstral 3B 多模态安全分类器
Mistral AI 发布 Shieldstral，这是一个采用 Apache 2.0 的3B open-weights 多模态安全分类器，可在推理时通过自然语言问题指定审核策略，无需重新训练。
推荐理由：Shieldstral把安全审核改写为可在推理时更换的自然语言问题，并以3B规模覆盖文本与图像，适合关注灵活审核策略的读者。
Google DeepMind精选AI 评分8686 Google DeepMind 发布 Gemini Robotics ER 2 具身推理模型
Google DeepMind 发布 Gemini Robotics ER 2，用于让机器人理解连续视频、编排多步任务并协同工作。
推荐理由：Gemini Robotics ER 2 将连续视频理解、工具编排和多机器人协作结合起来，并给出任务进度与安全评测结果。
Google DeepMind精选AI 评分8686 Google DeepMind 发布 Gemini Robotics 2，提升机器人的全身智能与协作能力
Google DeepMind 发布 Gemini Robotics 2，包含 Gemini Robotics 2、Gemini Robotics ER 2 和 Gemini Robotics On-Device 2 三个模型，支持人形机器人全身控制、灵巧操作、具身推理和多机器人协作。
推荐理由：Google DeepMind同时更新了全身控制、灵巧操作、具身推理和端侧适配，呈现了机器人从单步执行走向多步骤协作的技术路径。
Google DeepMind精选AI 评分8888 Google 发布 Gemini 3.6 Flash、3.5 Flash-Lite 和 3.5 Flash Cyber
Google 发布 Gemini 3.6 Flash、3.5 Flash-Lite 和 Gemini 3.5 Flash Cyber，分别面向高效通用任务、高吞吐智能体工作流和网络安全漏洞处理。
推荐理由：这次发布同时覆盖高质量、低延迟和网络安全场景，并给出 token 效率、基准成绩与价格，便于比较不同模型的部署取舍。
Hugging Face Blog精选AI 评分9292 Thinking Machines 发布 1T 参数多模态开源模型 Inkling 及 Inkling-Small
Thinking Machines 发布 Inkling 及 Inkling-Small，前者是具备 975B 总参数、41B 激活参数和 1M 上下文窗口的多模态 MoE 模型，可接收图像、文本和音频输入；Inkling-Small 为 276B 总参数、12B 激活参数。
推荐理由：文章同时给出 Inkling 的多模态架构、部署门槛与推理支持，便于评估其从实验体验走向实际应用的条件。
Google DeepMind精选AI 评分8787 Google DeepMind 发布 Nano Banana 2 Lite，并向开发者开放 Gemini Omni Flash
Google DeepMind 发布 Nano Banana 2 Lite，并向开发者开放 Gemini Omni Flash，分别用于高速图像生成以及视频生成和对话式编辑。
推荐理由：两款模型分别覆盖高速图像生成与视频生成编辑，并给出延迟、价格、接口和组合用法，便于开发者评估工作流。
Mistral AI精选AI 评分7878 Mistral AI 发布 Mistral OCR 4，支持结构化文档解析与自托管部署
Mistral AI 发布 Mistral OCR 4，新增 bounding boxes、区块类型分类和内联置信度分数，支持 170 种语言并可在单个容器中自托管。
推荐理由：OCR 4 将版面定位、区块分类和置信度整合进文档解析，并同时覆盖 API、Document AI 与自托管部署，便于按数据与流程需求选型。
Google DeepMind精选AI 评分8787 Google 发布 Gemini 3.5 Live Translate 语音翻译模型
Google 发布 Gemini 3.5 Live Translate，可自动识别 70+ 种语言并进行接近实时的语音到语音翻译，同时保留说话者的语调、语速和音高。
推荐理由：Gemini 3.5 Live Translate 将连续语音翻译、音色节奏保留与多端接入结合，文中也列出开发者、企业和普通用户的使用入口。
Google DeepMind精选AI 评分8686 Google DeepMind 发布 Gemma 4 12B 多模态模型
Google DeepMind 发布 Gemma 4 12B，这是一款采用统一、无编码器架构的多模态模型，支持原生音频输入，并面向本地 Agent 工作流。模型性能接近 26B MoE，运行所需内存低于其一半，可在 16GB RAM 或统一内存的笔记本上本地运行。
推荐理由：Gemma 4 12B把原生音频与视觉输入、Agent 工作流和本地运行结合在一起，材料也给出了部署与开发入口。
Google DeepMind精选AI 评分8989 Google DeepMind 发布 Gemini Omni Flash 视频生成模型
Google DeepMind 发布 Gemini Omni Flash，这是 Gemini Omni 系列的首个模型，可组合图像、音频、视频和文本输入生成视频，并通过对话编辑视频。
推荐理由：Gemini Omni Flash 将多模态输入、对话式视频编辑和物理理解结合起来，并已通过多个 Google 产品开放使用。
Google DeepMind精选AI 评分9191 Google DeepMind 发布 Gemini 3.5 Flash，主打前沿智能与行动能力
Google DeepMind 发布 Gemini 3.5 系列的首款模型 Gemini 3.5 Flash，面向智能体和编码任务，已通过 Gemini 应用、Google Search 的 AI Mode 及多项开发者和企业平台提供。
推荐理由：Gemini 3.5 Flash 将智能体、编码速度与安全训练放在同一发布中，并给出基准结果和面向个人、开发者及企业的开放入口。
Google DeepMind精选AI 评分8383 Google DeepMind 发布 Gemini Robotics-ER 1.6，增强机器人具身推理能力
Google DeepMind 发布 Gemini Robotics-ER 1.6，增强空间推理、多视角理解、任务规划和任务完成检测能力，并新增仪表读数功能。模型可通过 Gemini API 和 Google AI Studio 使用，官方还提供了开发者 Colab。
推荐理由：Gemini Robotics-ER 1.6 将空间推理、多视角理解、仪表读数和安全约束结合起来，展示了具身模型面向真实机器人任务的能力变化。
Google DeepMind精选AI 评分9090 Google DeepMind 发布 Gemma 4 开放模型家族
Google DeepMind 发布 Gemma 4，包含 E2B、E4B、26B MoE 和 31B Dense 四种尺寸，面向高级推理、Agent工作流和端侧部署。模型支持函数调用、结构化 JSON 输出、图像与视频处理，E2B 和 E4B 还支持音频输入；上下文窗口覆盖 128K 至 256K，并以 Apache 2.0 许可开放。
推荐理由：Gemma 4同时覆盖端侧设备与开发者硬件，并提供Agent工作流、长上下文和Apache 2.0许可，呈现了开放模型的完整落地路径。
Mistral AI精选AI 评分8888 Mistral Small 4 发布，统一推理、多模态与智能体编码能力
Mistral AI 发布 Mistral Small 4，将 Magistral 的推理、Pixtral 的多模态和 Devstral 的智能体编码能力整合到一个模型中。
推荐理由：Mistral Small 4 将推理、视觉理解和智能体编码整合到单一模型，并公开关键架构、部署配置与性能对比，便于评估实际使用成本。
Google Research精选AI 评分7777 Google SpeciesNet 模型识别近2500类野生动物
Google开发的SpeciesNet模型可对相机陷阱图像中的2,498类动物进行分类，并已作为开源工具供下载、适配和改进。模型基于超过65M张标注图像训练，可在标准笔记本上每天处理约30,000张图像；在测试中，99.4%的含动物图像被识别，83%的预测达到物种级别，其中94.5%正确。过去一年，研究团队已将其用于哥伦比亚、美国爱达荷州、澳大利亚和坦桑尼亚等地的野生动物监测。
推荐理由：SpeciesNet将大规模相机陷阱图像识别转为可本地运行和适配的开放工具，文中数据与项目案例展示了它在野生动物监测中的实际用法。
Mistral AI精选AI 评分7979 Mistral OCR 3 发布，文档解析能力与 Document AI Playground 同步升级
Mistral AI 发布 Mistral OCR 3，相较 Mistral OCR 2 在表单、扫描文档、复杂表格和手写内容上取得 74% 的整体胜率。模型支持提取文本与嵌入图像、Markdown 和结构化 JSON 输出，并以 $2 per 1,000 pages 提供 API，Batch API 价格为 $1 per 1,000 pages。
推荐理由：Mistral OCR 3 给出了相较 OCR 2 的具体提升、价格和 API 入口，便于评估文档解析场景的部署成本与迁移路径。
Mistral AI精选AI 评分9191 Mistral AI 发布 Mistral 3 模型系列
Mistral AI 发布 Mistral 3，包含14B、8B和3B的Ministral 3小型稠密模型，以及激活41B、总计675B参数的Mistral Large 3，全部采用Apache 2.0许可。
推荐理由：Mistral 3同时覆盖3B至675B参数规模，并提供Apache 2.0许可、量化格式和多种部署路径，便于比较开放模型的性能与落地成本。