Google DeepMind 将 SL2T 手语翻译模型带入 Pixel 11 输入场景
Google DeepMind 发布手语转文本模型 SL2T，为 Pixel 11 的 Gboard 和 Live Transcribe 提供 ASL 转英文输入功能。
推荐理由：将手语输入接入手机日常输入场景，让无障碍交互不再只依赖英文打字，同时通过仅上传身体坐标减少原始视频传输。
模型发布
全部主题新模型的发布、开源与迭代：大模型厂商的旗舰更新、开源权重放出、性能与价格变化的第一时间记录。
最新精选
第 21–40 条 · 共 58 条Google DeepMind精选AI 评分7575
Hugging Face Blog精选AI 评分7979 Meta 发布 Muse Glimmer：面向本地智能体的 30B 开源多模态模型
Meta 今天发布 Muse Glimmer，这是从 Muse 蒸馏而来的 30B 多模态模型，采用 Apache 2.0 许可证，面向本地智能体应用。模型支持图像、无音频视频理解及多模态工具调用，可选用基于 DFlash 的推测解码模块，以额外内存开销换取生成加速。
推荐理由：从量化部署到推测解码的具体示例，为评估本地多模态智能体的部署路径及速度与显存之间的取舍提供了工程参考。
Google DeepMind精选AI 评分7878 WeatherNext 气旋预报取得进展，同等精度下可多提前约一天预警
Google DeepMind 的 WeatherNext 在气旋路径、强度和风场结构预测中达到 SOTA 精度，平均三天预报可达到以往模型两天预报的准确度。发表于 Nature 的研究基于 2023 至 2024 年历史气旋进行评测，模型可在单个 TPU 上用不到一分钟生成一次 15 天预报，今年每个气旋的集合预测已扩展至 1,000 种可能情景。
推荐理由：以相同预报精度比较提前量，比单看误差更容易理解模型进步的实际意义，也为评估气旋预报工具提供了具体参照。
Mistral AI精选AI 评分6060 Mistral AI 发布 Shieldstral：3B 开放权重多模态安全分类器
Mistral AI 发布 3B 多模态安全分类器 Shieldstral，以 Apache 2.0 开放权重，支持推理时用自然语言指定审核策略，无需重新训练。
推荐理由：将审核策略从固定类别改为推理时输入的自然语言问题，为不同产品调整安全边界提供了无需重新训练的部署路径。
Google DeepMind精选AI 评分7575 Gemini Robotics ER 2 以视频理解、任务编排和多机器人协作增强机器人能力
Google DeepMind 发布 Gemini Robotics ER 2，通过连续视频理解、任务编排和多机器人协作增强具身推理能力，并由底层 VLA 模型执行动作。
推荐理由：将连续视频中的进度判断与底层控制接口编排结合，为机器人边执行边纠错、而非每一步停下重新规划提供了具体实现参考。
Google DeepMind精选AI 评分6161 Google DeepMind 在 Google Flow Music 推出 Lyria 3.5，改进音乐性、歌词、人声与创作控制
Google DeepMind 今日开始在 Google Flow Music 推出音乐生成模型 Lyria 3.5，提升音乐性、歌词与人声质量。该模型支持生成更丰富、复杂且自然的旋律结构，改善歌词对提示词的遵循和结构感知，并让人声更逼真、情感表达更细腻、发音更准确。用户还可以更轻松地控制生成作品的节奏与时长。
推荐理由：此次更新同时涉及歌曲生成质量与节奏、时长控制，为判断音乐生成模型能否更贴合具体创作要求提供了清晰的比较维度。
Google DeepMind精选AI 评分7474 Gemini Robotics 2 为机器人带来全身智能控制与多机器人协作
Google DeepMind 推出 Gemini Robotics 2 系列模型，支持全身控制、精细操作及多机器人协作。Gemini Robotics ER 2 负责规划持续数分钟、涉及数百次决策的任务；Gemini Robotics On-Device 2 支持本地运行，通常用少于 200 个示例、数小时适配新的双臂机器人形态。
推荐理由：从上半身桌面操作扩展到全身协调与多机器人协作，这次更新提供了观察机器人如何承接更长任务链的具体样例。
Hugging Face Blog精选AI 评分6060 NVIDIA 发布 Cosmos-H-Dreams，将实时生成式仿真引入手术机器人
NVIDIA 发布手术机器人生成式仿真模型 Cosmos-H-Dreams，通过知识蒸馏和 FlashDreams，在单张 NVIDIA RTX PRO 6000 GPU 上实现约 160 帧/秒的闭环交互。
推荐理由：从离线轨迹生成转向实时闭环交互的技术路径，为理解手术机器人仿真如何同时降低生成成本与应对长序列误差提供了具体参考。
Google DeepMind精选AI 评分8383 Google DeepMind 发布 Gemini 3.6 Flash、3.5 Flash-Lite 和 3.5 Flash Cyber
Google DeepMind 发布 Gemini 3.6 Flash、3.5 Flash-Lite 和 3.5 Flash Cyber，分别面向复杂智能体任务、高吞吐工作流和漏洞发现与修复。
推荐理由：同一系列按复杂任务、高吞吐和漏洞修复划分用途，并给出成本与访问边界，为生产智能体的模型选型提供了具体比较依据。
Google DeepMind精选AI 评分6565 Google 推出 Gemini 3.5 Flash Cyber，面向漏洞发现、验证与修复
Google 推出 Gemini 3.5 Flash Cyber，这款基于 3.5 Flash 微调的轻量网络安全模型专用于快速发现、验证和修复漏洞。在固定调用次数的 V8 测试中，该模型发现 55 个已确认的独特问题，主线 3.5 Flash 和 Claude Opus 4.6 分别发现 47 个和 36 个，其中 10 个问题未被另外两个模型发现。
推荐理由：轻量模型的低成本让安全智能体能够反复探索更多代码路径，为比较漏洞发现方案提供了单次模型能力之外的架构视角。
Hugging Face Blog精选AI 评分7979 Thinking Machines Inkling 登陆 Hugging Face，新增 Inkling-Small 版本
Thinking Machines Lab 开放多模态模型 Inkling，并新增同架构的 Inkling-Small，原生接收图像、文本和音频输入。Inkling 总参数为 975B、激活参数为 41B，支持 1M 上下文窗口；Inkling-Small 总参数为 276B、激活参数为 12B，提供 MXFP8 和 NVFP4 权重。
推荐理由：不同精度版本的显存需求与部署配置并列呈现，为比较完整模型和小型版本的硬件门槛提供了具体依据。
Mistral AI精选AI 评分6666 Mistral 发布 Leanstral 1.5：以 Apache-2.0 开源，提升 Lean 4 形式化验证能力
Mistral 发布 Leanstral 1.5，这款面向 Lean 4 证明工程的模型总参数为 119B、激活参数为 6B，以 Apache-2.0 许可开放权重并提供免费 API。
推荐理由：从数学竞赛题到真实代码缺陷，材料给出了形式化验证的成本对比与工程案例，便于判断证明模型进入开发流程的实用价值。
Google DeepMind精选AI 评分8383 开始使用 Nano Banana 2 Lite 与 Gemini Omni Flash 构建多媒体应用
Google DeepMind 发布 Nano Banana 2 Lite，并向开发者开放 Gemini Omni Flash，分别用于快速图像生成和视频生成、对话式编辑。
推荐理由：文中明确区分图像模型的速度、成本与质量定位，并列出视频模型的输入处理限制，为多媒体工作流选型提供具体依据。
Google Research精选AI 评分6969 Google Research 发布 TabFM，用于表格数据零样本分类与回归
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 AI精选AI 评分6868 Mistral 发布 OCR 4：支持 170 种语言，新增边界框、块分类与置信度
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精选AI 评分7777 Google DeepMind 发布 DiffusionGemma，文本生成速度最高提升至 4x
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 DeepMind精选AI 评分8383 Gemini 3.5 Live Translate 实现流畅自然的语音翻译
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精选AI 评分7979 Google DeepMind 发布 Gemma 4 12B：统一、无编码器的多模态模型
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 AI精选AI 评分8080 Mistral 发布 Medium 3.5，为 Vibe 云端智能体与 Le Chat Work mode 提供支持
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精选AI 评分8585 Google DeepMind 发布 Gemini Omni Flash，支持多模态输入与对话式视频编辑
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。