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。
#多模态
#多模态
今日 4 条Google DeepMind精选AI 评分8484
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。
Ahead of AI · Sebastian RaschkaAI 评分4646 2026 年 1-2 月开权重 LLM 十种架构盘点：从 Trinity Large 到 Kimi K2.5
2026 年 1 月 27 日至 2 月 17 日，开源社区陆续发布十款开权重 LLM，包括 Arcee AI 的 400B Trinity Large、Moonshot AI 的 1 万亿参数 Kimi K2.5、Qwen3-Coder-Next、GLM-5、MiniMax M2.5、Qwen 3.5 和 Cohere Tiny Aya 等。
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。
Ahead of AI · Sebastian RaschkaAI 评分1212 LLM 研究论文清单：2025 年 7 月至 12 月
Sebastian Raschka 发布 2025 年 7 月至 12 月的 LLM 研究论文整理清单，按推理模型、其他强化学习方法、推理时扩展方法、模型发布与技术报告、架构、高效训练、扩散语言模型、多模态与视觉语言模型、数据与预训练数据集等类别划分。
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。
Google DeepMindAI 评分5959 DeepMind 发布 SIMA 2 智能体：接入 Gemini，可在虚拟 3D 世界中推理与自我改进
Google DeepMind 发布 SIMA 2，通过将 Gemini 模型作为智能体核心，使其从单纯执行指令升级为能在虚拟 3D 世界中推理目标、与用户对话并自我改进的游戏伙伴。
Google DeepMindAI 评分4848 Google DeepMind 新研究：让 AI 视觉模型更像人一样看世界
Google DeepMind 在 Nature 发表新论文，提出一种三步对齐方法，用认知科学的"odd-one-out"任务发现视觉模型常依赖背景色、纹理等表层特征，与人类判断系统性错位。团队以 SigLIP-SO400M 为基座训练适配器作为"教师"，生成含百万张图像、数百万条类人判断的 AligNet 数据集，再微调其他模型，使其内部表征按人类概念层级重新组织，从而提升鲁棒性与泛化能力。
Hugging Face BlogAI 评分4545 Hugging Face 指南：用开源模型强化 OCR Pipeline
Hugging Face 发布指南，介绍如何用开放权重模型搭建 OCR Pipeline，并新增 Chandra 与 OlmOCR-2 两个模型及其 OlmOCR 评分。指南对比了当前 OCR 模型的能力、评测基准与成本效率，还讲解了何时微调、何时直接使用，以及如何用多模态检索和文档问答把 OCR 扩展到更远。
Hugging Face BlogAI 评分5757 Hugging Face AI Sheets 更新，支持图像提取、生成与编辑
Hugging Face 发布 AI Sheets 重大更新，为这款无需写代码的开源数据集工具加入视觉能力，可直接在表格中查看、分析图片，提取收据与文档等图像中的结构化数据，并生成或编辑图片，底层通过 Inference Providers 调用数千个开源模型。
Hugging Face BlogAI 评分2626 如何在 Intel CPU 上三步跑起 VLM：SmolVLM + Optimum Intel + OpenVINO 教程
Hugging Face 发布教程，介绍用 Optimum Intel 和 OpenVINO 在 Intel CPU 上本地运行视觉语言模型（VLM）的三步流程：将 HuggingFaceTB/SmolVLM2-256M-Video-Instruct 转换为 OpenVINO IR、用量化配置做权重量化（INT8）或静态量化，再执行推理。
Hugging Face BlogAI 评分3131 用 Core ML 和 dots.ocr 实现 SOTA OCR：将 3B 模型转换到端侧运行
Hugging Face 发布三部分系列文章，讲解如何用 Core ML 与 MLX 将 RedNote 的 3B 参数 OCR 模型 dots.ocr 转换到端侧运行，该模型在 OmniDocBench 上超过 Gemini 2.5 Pro。
Hugging Face Blog精选AI 评分6060 Smol2Operator：面向计算机使用 GUI Agent 的后训练方案
Hugging Face 发布 Smol2Operator，用两阶段后训练把无 GUI 定位能力的 SmolVLM2-2.2B-Instruct 训练成可理解并操作图形界面的智能体。
推荐理由：完整开源了两阶段后训练配方与数据工具，读者可据此把无 GUI 定位能力的小型 VLM 训练成可操作的界面智能体。
Hugging Face Blog精选AI 评分6060 mmBERT 发布：ModernBERT 走向大规模多语言
Hugging Face Blog 介绍 mmBERT，一个在 1800 多种语言、3T+ tokens 文本上训练的大规模多语言编码器模型。它基于 ModernBERT 架构，采用 60→110→1833 语言的三阶段训练和从 30% 降到 5% 的动态掩码策略，首次在 XLM-R 基础上取得全面提升，推理吞吐量提升 2-4 倍并支持 8192 tokens。
推荐理由：mmBERT 把 ModernBERT 扩展到 1800 多种语言，并给出三阶段训练和低资源语言学习的可迁移方法。
Hugging Face BlogAI 评分2626 Hugging Face 发布 FilBench：评估 LLM 的菲律宾语能力
Hugging Face 推出 FilBench，一个覆盖 Tagalog、Filipino 和 Cebuano 三种菲律宾语言的评测套件，含文化知识、经典 NLP、阅读理解、生成四大类共 12 项任务，并基于 Lighteval 构建，已作为社区任务上线官方 Lighteval 仓库。
Hugging Face BlogAI 评分4343 TRL 为视觉语言模型带来 MPO、GRPO 与 GSPO 对齐方法
Hugging Face 的 TRL 新增 Mixed Preference Optimization（MPO）、GRPO 和其变体 GSPO 三种视觉语言模型对齐方法，并扩展 RLOO、Online DPO 支持 VLM。
Hugging Face BlogAI 评分4646 Hugging Face 发布 TimeScope：视频大模型能处理多长视频？
Hugging Face 开源基准 TimeScope，通过在 1 分钟至 8 小时的长视频中插入 5-10 秒"针"片段，评测视频大模型的定位检索、信息综合与细粒度时序感知三项能力。测试显示，即便 Gemini 2.5-Pro 等领先模型在真正的长视频时序理解上仍显吃力，且视频越长性能下滑越明显。
Hugging Face BlogAI 评分5757 Hugging Face 与 Pollen Robotics 发布开源机器人 Reachy Mini，售价 399 美元起
Hugging Face 与 Pollen Robotics 联合发布开源机器人 Reachy Mini，Lite 版 399 美元、带计算与电池的 Compute 版 499 美元，预计约 90 天发货。