Google DeepMind 发布 Nano Banana 2 Lite 与 Gemini Omni Flash
Google DeepMind 发布 Nano Banana 2 Lite（gemini-3.1-flash-lite-image）和 Gemini Omni Flash（gemini-omni-flash-preview）两款模型。
推荐理由：两款模型给出明确的延迟、单价与可用入口，读者可据此判断图像与视频生成流水线的成本变化。
#多模态
#多模态
今日 1 条Google DeepMind精选AI 评分7878
Hugging Face BlogAI 评分4545 PP-OCRv6 上线 HF Mirror：1.5M 到 34.5M 参数、支持 50 种语言
PaddleOCR 的 PP-OCRv6 已在 HF Mirror 上线，提供 tiny、small、medium 三档模型，参数规模从 1.5M 到 34.5M，其中 medium 和 small 单模型支持 50 种语言。
Google DeepMind精选AI 评分8080 Google DeepMind 发布 Gemini 3.5 Live Translate 语音翻译模型
Google DeepMind 发布音频模型 Gemini 3.5 Live Translate，支持 70 多种语言的近实时语音到语音翻译，能自动检测语言并保留说话人的语调、节奏和音高。
推荐理由：Gemini 3.5 Live Translate 把语音翻译从轮流应答改为连续输出，并给出开发者、企业与普通用户的接入路径。
Google DeepMind精选AI 评分8080 Google DeepMind 发布 Gemma 4 12B 无编码器多模态模型
Google DeepMind 发布 Gemma 4 12B，一款面向笔记本的 12B 多模态模型，性能接近 26B MoE 模型，可在 16GB VRAM 或统一内存上本地运行。
推荐理由：Gemma 4 12B 去掉视觉与音频编码器，16GB 内存即可本地跑，可看轻量多模态模型的新做法。
Hugging Face Blog精选AI 评分6161 作者如何让 Agent 串联两个 Hugging Face Space 搭建 3D 巴黎画廊
作者让编程智能体调用两个 Hugging Face Space 搭建了一个展示巴黎地标的 3D 高斯泼溅画廊：ideogram4 负责由提示词生成图像，VAST-AI/TripoSplat 负责将单张图像重建成 .ply 格式的 3D 高斯泼溅。
推荐理由：作者以一条可复现的智能体流水线，展示如何用 agents.md 串联两个 Space 完成图像与 3D 生成。
Hugging Face BlogAI 评分3939 NVIDIA 发布 Nemotron 3.5 Content Safety：面向企业 AI 的可定制多模态安全模型
NVIDIA 发布 Nemotron 3.5 Content Safety，基于 Gemma 3 4B IT 微调，单次推理即可统一处理多模态输入、多语言、自定义企业策略与可审计推理。
Google DeepMind精选AI 评分8080 Google DeepMind 发布 Gemini Omni 系列首个模型 Gemini Omni Flash
Google DeepMind 发布 Gemini Omni 系列首个模型 Gemini Omni Flash，可组合图像、音频、视频和文本输入生成高质量视频，并通过自然语言对话编辑视频。
推荐理由：Gemini 首个 Omni 系列模型发布，多模态输入加对话式视频编辑的入口值得关注。
Google DeepMind精选AI 评分7474 Google 将 SynthID 与 C2PA 内容验证扩展到 Search、Gemini 和 Chrome
Google 宣布扩展内容透明度与验证工具，把 SynthID 的图片、视频、音频验证从 Gemini app 扩展到 Search，并将在未来几周进入 Chrome，Gemini 中该功能已被使用 5000 万次。
推荐理由：Google 把 SynthID 与 C2PA 验证铺到 Search、Gemini 和 Chrome，并开放云端检测 API，读者可了解内容溯源工具的实际入口与合作方。
Google DeepMind精选AI 评分8686 Google DeepMind 发布 Gemini 3.5 系列并首发 3.5 Flash
Google DeepMind 发布 Gemini 3.5 系列模型，首发 3.5 Flash，主打智能体与编码的前沿性能。
推荐理由：Gemini 3.5 Flash 在编码与智能体基准上超过 3.1 Pro，且输出速度达其他前沿模型 4 倍，读者可据基准与速度数据判断其性价比。
Google DeepMindAI 评分5757 Google DeepMind 发布 AI co-clinician 医疗 AI 研究计划
Google DeepMind 宣布 AI co-clinician 研究计划，探索 AI 智能体在医生临床监督下协助患者诊疗的「三元照护」模式。
Hugging Face Blog精选AI 评分7474 NVIDIA 发布 Nemotron 3 Nano Omni：面向文档、音频与视频智能体的长上下文全模态模型
NVIDIA 发布 Nemotron 3 Nano Omni 全模态理解模型，在文本、图像基础上加入原生音频与视频理解，覆盖文档分析、语音识别、长音视频理解、GUI 智能体和通用多模态推理五类任务。
推荐理由：原文给出了架构细节、多模态基准成绩与吞吐数据，读者可据此判断开源全模态模型在文档、音视频与 GUI 智能体场景的可用性。
Hugging Face BlogAI 评分3636 如何用 Sentence Transformers 训练和微调多模态嵌入与重排模型
微调 Qwen/Qwen3-VL-Embedding-2B 做视觉文档检索（VDR），在作者评测数据上 NDCG@10 从基座的 0.888 提升到 0.947，超过其测试的所有现有 VDR 模型，包括体积达 4 倍的模型。
Google DeepMind精选AI 评分7171 Google DeepMind 发布 Gemini Robotics-ER 1.6
Google DeepMind 发布 Gemini Robotics-ER 1.6，这是其面向机器人的推理优先模型的一次重大升级，增强了空间推理与多视角理解，并新增仪表读数能力。
推荐理由：官方给出新版本在空间推理、成功检测与仪表读数上的能力变化，以及 API 与 AI Studio 的开放入口。
Hugging Face Blog精选AI 评分6666 Sentence Transformers v5.4 多模态嵌入与重排序模型使用指南
Hugging Face 发布 Sentence Transformers v5.4，可在同一套 API 下编码和比较文本、图像、音频与视频，用于视觉文档检索、跨模态搜索和多模态 RAG。
推荐理由：官方博客给出 Sentence Transformers v5.4 多模态嵌入与重排序的完整代码用法和模型清单，可直接照抄跑通流程。
Google DeepMind精选AI 评分8484 Google DeepMind 发布 Gemma 4 开源模型家族
Google DeepMind 发布 Gemma 4 开源模型家族，包含 E2B、E4B、26B MoE 和 31B Dense 四个规格，采用 Apache 2.0 许可。
推荐理由：Gemma 4 给出四种规格、Apache 2.0 许可与 Arena 排名，可据此判断开源模型在本地与端侧的可用边界。
Hugging Face Blog精选AI 评分8686 Google DeepMind 发布 Gemma 4 多模态模型家族
Google DeepMind 在 HF 发布 Gemma 4 多模态模型家族，采用 Apache 2.0 许可，支持图像、文本和音频输入并生成文本。模型提供 E2B、E4B、12B Unified、31B 和 26B A4B 五个尺寸，最大上下文窗口 256K，其中 12B Unified 去掉独立视觉与音频编码器，直接把原始图像块和音频波形投影到 LLM 嵌入空间。
推荐理由：Gemma 4 五档模型覆盖端侧到 MoE，附各推理引擎与微调工具链的接入方式，可据此判断本地部署路径。
Hugging Face Blog精选AI 评分6565 TII 发布 Falcon Perception 感知模型与 Falcon OCR
TII 的 Falcon Vision 团队发布 Falcon Perception，一个 0.6B 参数的早期融合 Transformer，用自然语言提示做开放词表定位与分割，图像与文本从第一层起共享参数。
推荐理由：原文用 SA-Co 与自建 PBench 的分数拆解了早期融合单骨干相对模块化流水线的收益与短板。
Hugging Face Blog精选AI 评分6060 IBM 发布 Granite 4.0 3B Vision 文档理解多模态模型
IBM 发布 Granite 4.0 3B Vision，一款面向企业文档理解的紧凑型视觉语言模型，以 LoRA 适配器形式挂载在 Granite 4.0 Micro 之上，在 Hugging Face 以 Apache 2.0 许可开放。
推荐理由：IBM 以 LoRA 适配器形式发布 3B 文档视觉模型，并给出图表与表格抽取的对比基准，便于判断小模型在企业文档场景的可用性。
Google DeepMindAI 评分5353 Google DeepMind 为 AI 时代重新设计鼠标指针，已落地 Chrome 与 Googlebook
Google DeepMind 公布由 Gemini 驱动的 AI 指针实验，让指针不仅能识别所指内容，还能理解它对用户的意义。团队提出四条交互原则：保持工作流不中断、以指向捕捉视觉与语义上下文、支持“这个”“那个”式的口语简写、把像素转成可操作的对象。
Google DeepMind精选AI 评分7272 Google DeepMind 发布 Lyria 3 Pro 音乐生成模型
Google DeepMind 发布 Lyria 3 Pro，可生成最长 3 分钟的音乐，并能识别前奏、主歌、副歌和桥段等结构性元素。
推荐理由：Lyria 3 Pro 把单次生成时长提升到 3 分钟并支持曲式分段提示，读者可了解音乐生成在结构与产品接入上的变化。
Hugging Face Blog精选AI 评分6565 H Company 发布 Holotron-12B 高吞吐 computer-use 智能体模型
H Company 发布 Holotron-12B，一个基于 NVIDIA Nemotron-Nano-2 VL 后训练的多模态 computer-use 模型，已在 Hugging Face 以 NVIDIA Open Model License 开放。
推荐理由：Holotron-12B 给出混合 SSM 架构在 Agent 长上下文并发下的吞吐对比，可据此判断 computer-use 模型的部署取舍。
Google DeepMind精选AI 评分7474 Google DeepMind 发布 Gemini 3.1 Flash-Lite，主打高性价比
Google DeepMind 发布 Gemini 3 系列中最快、最具成本效率的模型 Gemini 3.1 Flash-Lite，今日起通过 Gemini API 在 Google AI Studio 面向开发者预览，企业可通过 Vertex AI 使用。
推荐理由：原文给出价格、速度与基准分数，可判断这款轻量模型在高频工作负载中的取舍。
Google DeepMind精选AI 评分8282 Google DeepMind 发布 Nano Banana 2（Gemini 3.1 Flash Image）图像模型
Google DeepMind 发布 Nano Banana 2（Gemini 3.1 Flash Image），把 Nano Banana Pro 的先进世界知识、推理与画质带到 Flash 级速度，可调用 Gemini 知识库与网页搜索实时信息渲染特定主体，并支持图内文字渲染与翻译。
推荐理由：官方给出 Nano Banana 2 相对前代的能力清单与全线产品入口，便于判断速度与保真度取舍。
Google DeepMind精选AI 评分6464 Gemini 应用上线 Lyria 3，可用文字或图片生成 30 秒音乐
Google DeepMind 最新生成音乐模型 Lyria 3 以 beta 形式在 Gemini 应用上线，用户输入文字或上传图片、视频即可生成 30 秒带歌词或纯器乐的曲目，并配 Nano Banana 生成的封面图。
推荐理由：官方披露 Lyria 3 在 Gemini 中的三项能力改进与 SynthID 音频核验入口，可据此判断生成音乐的可用边界。
Google DeepMindAI 评分5757 Google DeepMind 向美国 AI Ultra 订阅者开放 Project Genie 世界模型原型
Google DeepMind 开始向美国 Google AI Ultra 订阅用户（18 岁以上）开放 Project Genie，这是基于 Genie 3、Nano Banana Pro 和 Gemini 的实验性研究原型，可创建、探索和再创作交互式世界。
Google DeepMind精选AI 评分6060 Google DeepMind 发布 D4RT 统一 4D 场景重建与追踪模型
Google DeepMind 发布 D4RT（Dynamic 4D Reconstruction and Tracking），用统一的编码器-解码器 Transformer 加查询机制，把点追踪、点云重建和相机位姿估计等 4D 任务收敛到单一框架。
推荐理由：官方给出的效率数据与统一查询架构，可用来对照此前需要多模型拼凑的 4D 重建流程。
Google DeepMind精选AI 评分7171 Google DeepMind 更新 Veo 3.1 Ingredients to Video，新增竖屏输出与 1080p/4K 升采样
Google DeepMind 更新 Veo 3.1 Ingredients to Video，即使提示词简短也能生成更生动、有对白和叙事的视频，并改善角色身份、背景与物体跨场景一致性。
推荐理由：官方披露 Veo 3.1 Ingredients to Video 的一致性、竖屏与 1080p/4K 升级及上线渠道，便于判断视频工作流怎么变。
Hugging Face Blog精选AI 评分6868 NVIDIA 发布 Cosmos Reason 2，面向物理 AI 的开源推理视觉语言模型
NVIDIA 发布面向物理 AI 的开源推理视觉语言模型 Cosmos Reason 2，提供 2B 和 8B 两种参数规模，在 Physical AI Bench 和 Physical Reasoning 榜单上位列开源模型第一。
推荐理由：Cosmos Reason 2 给出 2B/8B 开源权重的具体升级项与评测数据，可据此判断物理 AI 推理模型的当前水位。
Hugging Face BlogAI 评分4242 Falcon-H1-Arabic 发布：混合 Mamba-Transformer 架构的阿拉伯语模型系列
阿联酋 TII 发布 Falcon-H1-Arabic 阿拉伯语模型系列，含 3B、7B、34B 三个参数规模，基于 Falcon-H1 混合架构，在每个 block 内并行运行 Mamba 状态空间模型与 Transformer 注意力。
Hugging Face Blog精选AI 评分6565 NVIDIA 用 DGX Spark 与 Reachy Mini 搭建桌面智能体教程
NVIDIA 在 CES 2026 展示了用 DGX Spark 驱动 Reachy Mini 桌面机器人搭建个人智能体的方案，并发布逐步复现教程。
推荐理由：原文给出从推理模型到机器人动作的完整可复现步骤，可迁移到自建私有语音与视觉智能体。
Google DeepMindAI 评分3030 Google 2025 年度回顾：Gemini 3 等 8 大研究突破领域
Google DeepMind 与 Google Research 的 2025 年度回顾显示，其在推理、多模态、模型效率与生成能力上取得突破，3 月发布 Gemini 2.5，11 月推出 Gemini 3、12 月推出 Gemini 3 Flash。
Google DeepMind精选AI 评分8484 Google DeepMind 发布 Gemini 3 Flash 模型
Google DeepMind 发布 Gemini 3 Flash，主打前沿智能与速度，在 GPQA Diamond 上得分 90.4%、Humanity's Last Exam 无工具得分 33.7%、MMMU Pro 上得分 81.2%、SWE-bench Verified 上得分 78%。
推荐理由：Gemini 3 Flash 以 Pro 级推理配合 Flash 级延迟和价格，提供了速度与智能取舍的实测基准。
Google DeepMindAI 评分5252 Google DeepMind 深化与英国政府合作，提供 AI for Science 模型优先使用权
Google DeepMind 宣布与英国政府深化合作，将向英国科学家优先开放 AlphaEvolve、AlphaGenome、AI co-scientist 和 WeatherNext 等 AI for Science 模型。
Google DeepMindAI 评分4141 Google DeepMind 联合 Kaggle 推出 FACTS Benchmark Suite，系统评测大语言模型事实性
Google DeepMind 与 Kaggle 联合发布 FACTS Benchmark Suite，在原有 FACTS Grounding 基础上新增 Parametric、Search、Multimodal 三项基准，并将 Grounding 升级至 v2，共含 3,513 个示例。
Hugging Face BlogAI 评分2828 Hugging Face Open ASR Leaderboard 新增多语言与长音频赛道，并发布 60+ 模型趋势预印本
Hugging Face 的 Open ASR Leaderboard 新增多语言与长音频转写赛道，并发布了一份基于 60+ 个开源与闭源模型的趋势预印本。
Google DeepMind精选AI 评分6262 Google 在 Gemini 应用中上线 AI 图片验证功能
Google DeepMind 在 Gemini 应用中上线 AI 图片验证功能，用户上传图片并提问即可检测是否由 Google AI 生成或编辑，背后依据的是 2023 年推出的 SynthID 数字水印技术。
推荐理由：Gemini 应用新增图片 AI 来源验证入口，并给出 SynthID 水印规模与 C2PA 扩展路径等关键细节。
Google DeepMind精选AI 评分7676 Google DeepMind 发布 Gemini 3 Pro Image（Nano Banana Pro）图像模型
Google DeepMind 发布 Nano Banana Pro（Gemini 3 Pro Image），这是基于 Gemini 3 Pro 的高保真图像生成与编辑模型，开始在 Google AI Studio 和 Vertex AI 上面向开发者付费预览。
推荐理由：DeepMind 官方给出 Gemini 3 Pro Image 的付费预览入口与分辨率、参考图数量等规格，可据此判断是否接入生产流程。
Google DeepMind精选AI 评分8585 Google DeepMind 发布 Nano Banana Pro（Gemini 3 Pro Image）图像生成与编辑模型
Google DeepMind 发布新一代图像生成与编辑模型 Nano Banana Pro（Gemini 3 Pro Image），基于 Gemini 3 Pro，强调更强的推理与世界知识、图像内多语言文字的准确渲染，以及最高 14 张图像融合、最多 5 人一致性保持。
推荐理由：Google DeepMind 官方介绍 Nano Banana Pro 的能力边界与全平台上线节奏，便于判断图像生成工作流的变化。
Google DeepMind精选AI 评分8484 Google DeepMind 发布 Gemini 3 Pro 并推出 Antigravity 平台
Google DeepMind 发布 Gemini 3 Pro，称其在各项主要 AI 基准上超过此前版本，并在编码上超过 2.5 Pro，兼顾智能体工作流与复杂零样本任务。
推荐理由：官方给出 Gemini 3 Pro 的定价、基准成绩和配套工具入口，可据此判断它在编码与智能体工作流中的位置。
Google DeepMind精选AI 评分8989 Google DeepMind 发布 Gemini 3，含 Gemini 3 Pro 与 Deep Think 模式
Google DeepMind 发布 Gemini 3，首发 Gemini 3 Pro 预览版并当天上线 Gemini 应用、AI Studio、Vertex AI 和新的智能体开发平台 Google Antigravity。
推荐理由：Gemini 3 Pro 与 Deep Think 的同期亮相，加上多项基准的提升，可供读者判断前沿模型的推理与智能体能力走到哪一步。