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 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 Research 介绍 SymptomAI，一组用于日常症状访谈和鉴别诊断的实验性对话式 AI 智能体，并在 n=13,917 的随机研究中与临床专家评估进行比较。
推荐理由：这项大规模研究把日常症状对话、临床专家评估与 Fitbit 生理信号结合起来，呈现了 SymptomAI 在真实场景中的评估方法与边界。
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。
Google DeepMind 与 Isomorphic Labs 发布联合生物韧性方案，围绕防止模型被滥用、快速检测疫情和设计医疗应对措施展开。过去 12 个月，双方推进了与政府机构、生物安全组织和研究团队的 15 项以上合作，并计划向可信合作伙伴开放 AI 模型和智能体。
推荐理由：文章系统说明了 Google DeepMind 与 Isomorphic Labs 如何将 AI 用于生物安全，并将防滥用、疫情检测与医疗响应连接起来。
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 启动 ATL Saathi 的现场试点，这是一款由 Gemini 驱动的网页应用，为印度 Atal Tinkering Labs 的教育工作者提供全天候规划和培训助手。
推荐理由：ATL Saathi把课程微学习、项目生成和安全指导整合到教师工作流中，展示了Gemini在教育场景的具体落地方式。
Google Research 介绍 SensorFM，这一 Large Sensor Foundation Model 在五百万名参与者、超过一万亿分钟的多模态可穿戴传感器数据上预训练。
推荐理由：文章展示了 SensorFM 如何以大规模无标签可穿戴数据学习通用生理表征，并通过多任务评估和 Personal Health Agent 验证其适配价值。
Photoroom 在 PRX 系列第 4 部分介绍了预训练数据管线：混合公共与内部数据集，用 VLM 为图像生成 100–200 词的详细描述，再通过 Lance 构建数据集、用 Mosaic Data Shards 流式训练。
推荐理由：文章系统拆解了 PRX 7B 预训练数据管线，从数据格式、VLM 重标注到过滤去重，提供了可复用的工程取舍与实测依据。
Hugging Face 与 Cerebras 展示了一套基于 Gemma 4 31B 的实时语音到语音系统，旨在通过更快且更稳定的推理降低对话延迟。
推荐理由：文章拆解了由语音识别、Gemma 4、Qwen3TTS 和 Cerebras 推理组成的开放语音链路，适合了解实时交互的工程取舍。
Google Research 发布覆盖50多个全球城市的建筑级屋顶反射率数据，并上线 Heat Resilience Earth Engine App，帮助城市规划者识别适合部署凉屋顶的建筑和区域。
推荐理由：Google Research 将建筑级屋顶反射率数据扩展至50多个城市，并开放 Earth Engine App，为城市规划者定位高优先级降温改造提供了可操作的数据基础。
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。
DiScoFormer是一种密度与 score Transformer，输入一组数据点后，可在单次前向传播中同时估计其分布的密度和 score，无需针对每个新分布重新训练。
推荐理由：DiScoFormer将密度与 score 估计统一到一个可适应的 Transformer 中，并用高维实验展示其相对 KDE 的误差优势。
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 发布一套面向英国自然恢复的矢量化数据集，可识别并分类树篱、石墙和小片林地等细尺度生态特征。该系统基于 Remote Sensing Foundations 的 ViT Backbone，结合亚米级影像和 1 米 LiDAR 数据，并通过 Polsby–Popper 紧致度评分区分林地、木本斑块和线性木本特征。
推荐理由：Google 将高分辨率栅格地图转为可操作的矢量数据集，展示了 AI 如何把生态特征识别推进到保护规划与碳核算。
Google Research 汇总两项关于皮肤状况信息工具的研究，考察图像型 AI 如何帮助用户识别病症并判断后续行动。在一项包含 2,345 名参与者的调查中，AI 辅助下的病症命名准确率为 23%，高于标准搜索的 8%，但标准 AI 对下一步行动准确率没有显著提升。
推荐理由：两项研究分别从大规模调查和真实社区使用出发，展示了图像型 AI 在识别皮肤状况上的帮助及其在下一步医疗决策上的局限。
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 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 Research 在 Nature 论文中介绍 PHRM，利用手机前置摄像头在面部解锁后采集 8 秒视频，被动估计心率和每日静息心率。该系统在真实环境验证中对心率的 MAPE 为 6.09%，对 Fitbit Charge 6 日静息心率的 MAE 为 4.39 bpm，并发布 PHRM-mini 模型及大型多肤色研究数据集供符合条件的研究人员申请使用。
推荐理由：研究展示了手机前置摄像头在日常使用中被动估计心率和静息心率的方法，并用多肤色数据验证其准确性与可用范围。
Google Research 总结 I/O 2026 展示的研究进展，涵盖 Gemini for Science、医疗 AI、WeatherNext、Gemini 核心能力、智能体开发平台和量子计算等方向。
推荐理由：文章集中呈现 Google Research 在科学发现、医疗、天气预测和智能体开发等方向的研究成果及其产品化路径，便于了解研究如何转化为实际工具。
Mistral AI 宣布将 Emmi AI 纳入自身，推出面向工业工程的物理 AI 能力。该类模型从物理求解器输出或测量数据中学习，可根据几何与边界条件在单个 GPU 上以秒级前向推理预测完整物理场。Mistral AI 表示，这项能力将服务于产品设计、工装与工艺优化及实时数字孪生，并作为其企业 AI 平台的一部分面向航空航天、汽车、半导体、能源和工业设备等领域。
推荐理由：文章说明了物理 AI 如何将工程仿真从小时至数周缩短到秒级，并展示其在设计、制造和数字孪生中的应用路径。