Google Research 发布表格基础模型 TabFM，通过上下文学习对未见过的表格进行分类与回归，无需针对新任务训练模型或调参。模型完全使用数亿个合成数据集训练，结合行列交替注意力、行压缩与 Transformer 架构，标准配置通过单次前向传播生成预测，另提供加入交叉特征、SVD 特征的 32 路集成配置 TabFM-Ensemble。
推荐理由：把表格预测改为上下文学习，为减少逐数据集训练和调参提供了不同路径，文中还区分了直接预测与加入特征工程的集成配置。
Mistral 发布文档理解模型 Mistral OCR 4，在提取文本的同时返回边界框、块类型及逐页、逐词置信度，支持 10 个语言组的 170 种语言。官方报告其在人类盲评中的平均胜率为 72%，OlmOCRBench 得分为 85.20，同时说明自动基准存在标注与格式匹配局限，竞品分数来自内部复现。
推荐理由：边界框、块类型和置信度让文档提取结果能同时用于定位引用与安排人工核验，为检索和智能体流程提供更明确的输入结构。
Google DeepMind 发布实验性开放模型 DiffusionGemma，以 Apache 2.0 许可提供权重，在专用 GPU 上实现最高 4x 的文本生成速度。
推荐理由：本地低并发与高并发云端的收益差异交代清楚，能帮助开发者结合输出质量取舍判断文本扩散是否适合自己的工作负载。
Google 发布音频模型 Gemini 3.5 Live Translate，支持自动识别 70+ 种语言并进行近实时语音到语音翻译。模型持续生成译音，保留说话者的语调、节奏和音高，官方称整个会话中仅落后说话者几秒，所有生成音频均带有 SynthID 水印。
推荐理由：相较于等待说话结束再翻译的系统，连续生成译音的方式把上下文质量与跟随延迟的取舍带入实时跨语言沟通。
Google DeepMind 发布 Gemma 4 12B，采用统一的无编码器架构，将视觉与音频输入直接接入 LLM 主干，面向笔记本本地多模态智能体应用。官方称其标准基准表现接近 26B MoE 模型，总内存占用不到后者一半，可在配备 16GB 显存或统一内存的设备上运行，并配备 Multi-Token Prediction（MTP）草稿模型以降低延迟。
推荐理由：无独立编码器的音视频处理路径与本地内存要求，为评估多模态智能体从大模型迁移到笔记本的资源取舍提供了具体参照。
Mistral 发布公开预览版 Mistral Medium 3.5，并将其设为 Vibe 和 Le Chat 的默认模型，支持云端编码智能体与多步骤 Work mode。
推荐理由：本地会话连同任务状态和审批记录迁至云端的设计，为长任务异步执行与保留人工审查之间的衔接提供了具体参考。
Google DeepMind 发布 Gemini Omni 系列首款模型 Gemini Omni Flash，支持结合图像、音频、视频和文本生成视频，并通过多轮对话编辑。
推荐理由：多模态参考输入与多轮对话编辑把视频生成延伸到持续修改的工作流，音频输入和输出模态的开放边界也有明确说明。
Google DeepMind 发布 Gemini 3.5 模型系列，率先开放 3.5 Flash，面向复杂、长流程的智能体与编码任务。官方称其在 Terminal-Bench 2.1（76.2%）、GDPval-AA（1656 Elo）和 MCP Atlas（83.6%）等基准上超过 Gemini 3.1 Pro，输出 token 速度为其他前沿模型的 4 倍。
推荐理由：官方将智能体与编码基准表现同输出速度、成本放在一起比较，为评估长流程任务中的性能与延迟取舍提供了具体参照。
Google 发布文本转语音模型 Gemini 3.1 Flash TTS，新增音频标签，可通过文本中的自然语言指令精细控制声音风格、语速和表达方式。模型原生支持多说话人对话及超过 70 种语言，在 Artificial Analysis TTS 排行榜获得 1,211 Elo，所有生成音频均嵌入 SynthID 水印。
推荐理由：音频标签把语气、语速和句中表达变化纳入文本输入控制，为多角色对话与本地化语音应用提供了更细粒度的创作方式。
Google DeepMind 发布 Gemini Robotics-ER 1.6，增强机器人空间推理、多视角理解和任务完成检测，并新增仪表读数能力。官方称其相关能力较 Gemini Robotics-ER 1.5 和 Gemini 3.0 Flash 改善，仪表读数结合视觉推理、图像放大、点位标注与代码执行，可处理压力表、液位计等设施巡检场景。
推荐理由：多视角任务完成判断与仪表读数案例，把具身推理的改进落到机器人重试决策和设施巡检这两个具体应用环节。
Google DeepMind 发布 Gemma 4 开放模型系列，采用 Apache 2.0 许可，提供 E2B、E4B、26B MoE 和 31B Dense 四种尺寸，面向高级推理与智能体工作流。
推荐理由：不同尺寸对应的硬件要求、上下文窗口与模态差异，为开发者在端侧离线运行和工作站部署之间选型提供了具体依据。
Mistral 发布文本转语音模型 Voxtral TTS，以 4B 参数支持 9 种语言的情感表达语音生成及零样本跨语言声音适配。官方称，在输入 10 秒声音样本和 500 个字符的典型条件下，模型延迟为 70ms；其人类评估显示，自然度优于 ElevenLabs Flash v2.5，音频质量与 ElevenLabs v3 相当。
推荐理由：原文将语音自然度的人类评估与具体输入条件下的延迟并列呈现，为企业权衡语音智能体的表达质量与响应速度提供了参考。
Mistral 发布 Mistral Small 4，以 Apache 2.0 许可开放，将推理、多模态和智能体编码能力整合进单一模型。该模型采用 MoE 架构，总参数为 119B，每个 token 激活 6B 参数（计入嵌入与输出层为 8B），支持 256k 上下文窗口、文本与图像输入，并可通过 reasoning_effort 调节推理强度。
推荐理由：将可调推理、图像输入与编码能力放进同一开放模型，为需要兼顾多类任务与部署效率的团队提供了减少模型切换的选型思路。
Mistral AI 发布 Leanstral-120B-A6B，面向 Lean 4 形式化仓库任务，以 Apache 2.0 许可开放权重，并接入 Mistral Vibe。
推荐理由：基于真实形式化仓库任务的评测同时列出得分与运行成本，为比较专用模型和通用编码智能体的证明工程取舍提供了依据。
Mistral AI 发布 Voxtral Transcribe 2，包括批量转写模型 Voxtral Mini Transcribe V2 和实时模型 Voxtral Realtime，均支持 13 种语言。
推荐理由：批量版的错误率与定价、实时版的延迟与开放权重条件，为语音工作流在成本、响应速度和部署方式之间的取舍提供了具体参照。
Mistral AI 发布 Mistral OCR 3，官方称其在表单、扫描文档、复杂表格和手写内容上的整体胜率较 Mistral OCR 2 达到 74%。模型支持提取文本与嵌入图像，输出带 HTML 表格结构的 Markdown，价格为 $2 per 1,000 pages，Batch-API 提供 50% 折扣后为 $1 per 1,000 pages。
推荐理由：对文档处理流程而言，表格结构保留、批量价格与向后兼容信息提供了具体依据，可用于评估升级成本和接入方式。
Mistral AI 发布 Devstral 2（123B）与 Devstral Small 2（24B）编码模型，并推出支持端到端代码自动化的开源助手 Mistral Vibe CLI。
推荐理由：两种规模模型的基准成绩、许可差异与硬件要求提供了具体选型依据，可用于权衡编码智能体的性能需求和本地部署条件。
Mistral 发布 Mistral 3 系列，包括 3B、8B、14B 的 Ministral 3，以及激活参数为 41B、总参数为 675B 的混合专家模型 Mistral Large 3，均采用 Apache 2.0 许可证。
推荐理由：从端侧稠密模型到大型混合专家模型均采用宽松许可证，并给出压缩格式与硬件部署条件，为不同资源预算下的模型选型提供参考。
Mistral AI 发布 Codestral 25.08 及完整企业编程技术栈，覆盖代码补全、语义检索与多步骤智能体开发。Codestral 25.08 的补全采纳量增加 30%，建议后保留的代码增加 10%，失控生成减少 50%。模型支持云端、VPC 或本地部署，无需更改架构。
Mistral AI 发布 Voxtral 语音理解模型，提供面向生产应用的 24B 和面向本地、端侧部署的 3B 版本，均采用 Apache 2.0 许可证。
推荐理由：将音频问答、摘要和函数调用纳入可开放部署的语音模型，为需要兼顾数据控制与语义理解的应用提供了选型参考。
Mistral AI 与 All Hands AI 合作推出 Devstral Medium 和 Devstral Small 1.1，在 SWE-Bench Verified 上分别取得 61.6% 和 53.6% 的成绩。
推荐理由：两款模型给出了同一编码基准下的成绩与调用价格，并区分开放许可和私有部署路径，便于按预算与部署需求比较选型。
Mistral AI 发布首款推理模型 Magistral，包括 24B 参数的 Small 开放权重版和 Medium 企业版，主打多语言、多步骤及可追溯推理。
推荐理由：开放权重与企业版本并行提供，并披露相同基准下的成绩和部署入口，为比较自部署与托管推理模型提供了具体依据。
Mistral AI 发布首款专用于代码的嵌入模型 Codestral Embed，面向代码检索、语义搜索及编码智能体的 RAG。官方评测称，其在维度为 256、精度为 int8 时仍优于所比较的竞品，并支持保留前 n 个维度以权衡检索质量与存储成本。
Mistral AI 与 All Hands AI 合作推出软件工程智能体模型 Devstral，以 Apache 2.0 许可开放，定位为研究预览。模型针对真实 GitHub 问题训练，在 SWE-Bench Verified 上取得 46.8%，比此前开源 SOTA 模型高出超过 6 个百分点，可通过 OpenHands 或 SWE-Agent 等框架处理代码库任务。
推荐理由：同一智能体框架下的基准比较结合单卡运行条件，为评估开源编码模型在本地代码库中的部署取舍提供了具体参照。
Mistral AI 发布 Mistral Medium 3，面向编码、多模态理解等企业场景，支持混合部署、本地部署及 in-VPC 部署。官方称其各项基准表现达到或超过 Claude Sonnet 3.7 的 90%，价格为 $0.4 input / $2 output per M token，并可在至少 4 个 GPU 的自托管环境中部署。
推荐理由：将基准表现、API 价格与自托管条件放在一起比较，为企业在模型能力、使用成本和部署方式之间取舍提供了具体参考。
Mistral AI 发布 Mistral Small 3.1，在 Mistral Small 3 基础上提升文本性能与多模态理解，上下文窗口扩展至 128k tokens。
推荐理由：单张消费级显卡或指定内存的电脑即可运行，加上开放的基础与指令检查点，为端侧多模态应用的部署和定制提供了具体参考。
Mistral 发布 Mistral OCR 文档理解模型，可从图片和 PDF 中按顺序提取交错的文字与图像，处理表格、公式及复杂布局。其已成为 Le Chat 的默认文档理解模型，API mistral-ocr-latest 今日在 la Plateforme 开放，定价为 1000 pages / $，批量推理时每美元可处理的页数约翻倍。
推荐理由：对需要处理复杂文档的检索系统，按顺序提取交错的文字与图像比单纯转录文本更有参考价值，也更贴近多模态资料的接入需求。