Mistral AI 发布 Shieldstral，一个 3B 开源权重多模态安全分类器，以 Apache 2.0 许可开放下载。它把内容审核建模为推理时的二元问答任务，用户用自然语言写出策略，模型输出校准后的安全分数，无需重新训练即可适配新策略，文本安全表现可匹配最高 7 倍参数量的开放 guard 模型。模型可在单张 16GB NVIDIA GPU 上运行，统一处理文本、图像及文本加图像内容。
推荐理由：3B 开源权重模型以推理时自然语言策略替代固定危害分类，读者可据此判断内容审核的部署方式变化。
Google DeepMind 发布面向机器人的具身推理模型 Gemini Robotics ER 2，可作为机器人的高层大脑，理解物理世界、规划多步任务并把动作执行交给底层 VLA 模型，还能原生调用 Google Search 等工具。
推荐理由：官方给出 Gemini Robotics ER 2 在进度分类、时刻定位与多机器人协作上的具体指标，可据此判断具身推理模型的当前水位。
Google DeepMind 发布 Gemini Robotics 2，作为新一代机器人的智能层，解锁全身控制、高级灵巧操作和多机器人协作。
推荐理由：Google DeepMind 发布 Gemini Robotics 2 系列模型，读者可了解机器人在全身控制、灵巧操作与多机协作上的能力边界。
Google Research 发布 SymptomAI 研究，让 13917 名参与者与五个基于 Gemini Flash 2.0 的对话式智能体进行症状问诊，并生成鉴别诊断（DDx）。
Google DeepMind 发布 Gemini 3.6 Flash、3.5 Flash-Lite 和面向网络安全的 3.5 Flash Cyber。
推荐理由：官方给出三款 Flash 新模型的 token 效率、价格与基准对比，可据此判断智能体工作流的成本变化。
DharmaOCR 在葡萄牙语 OCR 基准上以 0.925 分领先 Mistral OCR4 的 0.798 和 Unlimited-OCR 的 0.7587，后两者分别低约 13 分和 16 分。该模型经葡萄牙语监督微调与 DPO 两阶段训练，将全部参数集中于巴西葡萄牙语，以换取领域内更高的提取质量与更低的退化率。
Thinking Machines 在 Hugging Face 发布 Inkling，这是一个约 1T 参数、支持 1M 上下文、原生接收图像文本音频输入的多模态 MoE 模型，同时推出 276B 总参数 12B 激活参数的 Inkling-Small。
推荐理由：Inkling 以约 1T 参数、1M 上下文原生支持图像音频文本输入，读者可据此了解开源多模态大模型的部署门槛与推理引擎支持情况。
Google DeepMind 与 A24 宣布达成首个研究型合作伙伴关系，双方将围绕多个项目展开深度研发协作，让 A24 的创作者参与塑造新技术。Google 同时已对 A24 进行投资。该合作初期聚焦于打通前沿技术与下一代娱乐之间的鸿沟，具体目标与技术产出将随时间演进。
Berkeley BAIR 实验室展示 2026 届博士毕业生，研究方向覆盖机器人、大语言模型与推理、计算机视觉、生成建模、AI 安全、人机交互及 AI for science 与医疗等领域。毕业生去向包括 OpenAI、Mistral AI、Amazon、Physical Intelligence 等机构，以及 UCLA、普林斯顿 CITP 和芝加哥大学等学术岗位。
Hugging Face 与 Cerebras 联合演示了一套实时语音到语音的开源流水线，用 Cerebras 加速 Gemma 4 31B 推理。该架构采用模块化设计，依次由 NVIDIA Parakeet 做语音识别、Gemma 4 VLM 在 Cerebras 上推理、阿里 Qwen3TTS 做文本转语音，各层均可替换。
推荐理由：原文给出可复用的开源语音到语音架构与各层组件，读者可据此评估实时语音交互的搭建方式。
Google DeepMind 发布 Nano Banana 2 Lite 和 Gemini Omni Flash 两款模型。
推荐理由：两款新模型给出了延迟、价格与可用入口，读者可据此判断图像与视频生成工作流的成本变化。
Mistral 发布 OCR 4，在提取文本之外返回边界框、块类型分类和逐页逐词置信度分数，支持 170 种语言并可在单个容器中自托管部署。该模型在 OlmOCRBench 上取得 85.20 分，独立标注者在 600 多份文档的盲评中平均 72% 更偏好其输出。
推荐理由：OCR 4 在文本之外返回边界框、块分类与置信度，读者可据此判断它如何改变 RAG 与智能体的文档处理流程。
Google Research 公布两项关于 AI 辅助皮肤问题理解的研究，其中发表于 JAMA Dermatology 的论文让 2,345 名参与者分别使用标准搜索、AI 工具和"Wizard of Oz"工具，AI 组尝试命名皮肤状况的比例超 62%（对照组 41%），命名准确率 23%，约为对照组 8% 的近三倍。
Google DeepMind 发布 Gemini 3.5 Live Translate 音频模型，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者的语调、节奏和音高。
推荐理由：Google 发布 Gemini 3.5 Live Translate，读者可了解其连续语音翻译机制与在 Google 产品中的落地节奏。
Google DeepMind 发布 Gemma 4 12B，一款面向笔记本的本地多模态模型，采用无编码器统一架构，视觉和音频输入直接进入 LLM 主干。该模型在标准基准上接近 26B MoE 模型表现，内存占用不到其一半，可在 16GB 显存或统一内存的消费级笔记本上运行，并首次在中型模型中支持原生音频输入。
推荐理由：Gemma 4 12B 用无编码器架构把多模态能力压到 16GB 显存，读者可据此判断本地智能体部署的门槛变化。
Google 在 Nature 发表 PHRM 研究系统，利用手机前摄在面部解锁后拍摄 8 秒视频，通过深度学习估算心率，与 ECG 相比 MAPE 低于 10%，覆盖所有肤色。
推荐理由：Google 用手机前摄在解锁后被动测心率，论文给出跨肤色误差数据与公开数据集，可了解 rPPG 落地进展。
Google Research 在 I/O 2026 上公布多项进展，包括面向科研的 Gemini for Science 工具套件、智能体开发平台 Antigravity 2.0，以及量子计算与健康 AI 方向的新成果。
推荐理由：Google Research 在 I/O 2026 集中披露 Gemini for Science、Antigravity 2.0 与量子计算等进展，可一览其研究到产品的转化路径。
Google DeepMind 发布 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逐轮编辑视频。
推荐理由：Gemini Omni Flash 把多模态输入与对话式视频编辑结合，读者可了解其能力边界与首批上线渠道。
Google 宣布把内容透明度与验证工具扩展到 Search、Gemini、Chrome、Pixel 和 Cloud。
推荐理由：Google 把 SynthID 与 C2PA 验证铺到搜索、Gemini、Chrome 和 Pixel，读者可据此判断内容溯源工具的可用范围。
Google DeepMind 发布 Gemini 3.5 系列首个模型 3.5 Flash，定位为面向智能体与编码的前沿模型，已在 Gemini app、Search AI Mode、Google Antigravity、Gemini API 和 Gemini Enterprise 上线。
推荐理由：Gemini 3.5 Flash 在编码与智能体基准上的成绩和速度数据，可供判断前沿模型在延迟与质量间的取舍。
Google DeepMind 在 Nature 发表 Co-Scientist 研究，这是一个基于 Gemini 的多智能体系统，可迭代生成、辩论和演化科学假设，并通过“想法锦标赛”以 Elo 排名筛选最优假设。
推荐理由：DeepMind 公开 Co-Scientist 的多智能体架构与真实科研案例，可了解 AI 参与假设生成的具体流程。
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“三方照护”模式。
推荐理由：DeepMind 公开 AI co-clinician 研究，含 98 例初级保健查询与 140 项问诊技能盲评数据，可了解医疗 AI 当前能力边界。
Google DeepMind 发布 Gemini 3.1 Flash TTS 文本转语音模型，主打更强的可控性、表现力与音质，并引入可用自然语言指令控制语气、语速和表达方式的音频标签。
推荐理由：Gemini 3.1 Flash TTS 的音频标签与多说话人能力，展示了语音生成从朗读走向可导演式控制的方向。
Google 发布两个学术智能体框架：PaperVizAgent 负责生成论文配图，ScholarPeer 负责自动同行评审。PaperVizAgent 由检索、规划、风格、可视化、评审五个智能体协作，在 0-100 分评测中整体得分 60.2，超过 GPT-Image-1.5、Nano-Banana-Pro、Paper2Any 等基线，也是唯一超过 50.0 人类基线的框架。
Mistral AI 发布首款文本转语音模型 Voxtral TTS，4B 参数，支持英语、法语、德语、西班牙语、荷兰语、葡萄牙语、意大利语、印地语和阿拉伯语 9 种语言，具备情感表达与零样本跨语言音色适配能力。
推荐理由：Mistral 首款 TTS 模型给出参数规模、延迟与定价，并附与 ElevenLabs 的对比评测，可据此判断语音智能体的成本与选型。
Google Research 在 The Check Up 活动上公布多项医疗 AI 进展：与 Fitbit 合作研究发现，模拟协作医疗团队的 Personal Health Agent（PHA）比单一任务应用更能支持长期健康。
Mistral AI 发布 Mistral Small 4，这是 Mistral Small 系列的下一个重要版本，也是首个把 Magistral 的推理、Pixtral 的多模态和 Devstral 的智能体编码能力统一到单一模型中的 Mistral 模型，采用 Apache 2.0 许可。
推荐理由：Mistral 首次把推理、多模态与编码能力合并进单一开源模型，读者可据此判断小模型统一化的取舍。
Google Research 与 Beth Israel Deaconess Medical Center 合作开展了一项前瞻性单中心可行性研究，让 AMIE 在门诊初级保健就诊前与患者进行文本问诊，全程由医生通过视频实时监督。
推荐理由：Google 与 BIDMC 首次在真实门诊流程中部署 AMIE 做就诊前问诊，读者可了解其安全监督机制与诊断表现。
Mistral 发布 Mistral OCR 3，在表单、扫描件、复杂表格和手写内容上相对 Mistral OCR 2 取得 74% 的整体胜率，并称其准确率超过企业文档处理方案和 AI 原生 OCR 方案。
推荐理由：Mistral OCR 3 在表单、手写和复杂表格上的升级与每千页 2 美元定价，可供评估文档解析方案时参考。
Mistral 发布 Mistral 3 系列，包括 Mistral Large 3 与 3B、8B、14B 三个尺寸的 Ministral 3，全部以 Apache 2.0 许可开源。
推荐理由：Mistral 3 全系以 Apache 2.0 开源，并给出 NVFP4 量化与多平台部署路径，可据此判断开源前沿模型的落地成本。
Mistral 通过 LoRA 微调 Pixtral-12B 处理卫星图像，在 Aerial Image Dataset（AID）的 8000 训练样本与 2000 测试样本上显著优于未微调基线。
Mistral 为 Le Chat 上线一批新功能，包括预览版 Deep Research 模式、由新语音模型 Voxtral 驱动的语音模式、由推理模型 Magistral 支持的多语言推理、用于整理对话的 Projects，以及与 Black Forest Labs 合作的高级图像编辑。
推荐理由：Mistral 一次性为 Le Chat 补齐深度研究、语音、推理与图像编辑能力，可据此判断其产品线走向。
Mistral 发布语音理解模型 Voxtral，提供 24B 和 3B 两种尺寸，均以 Apache 2.0 许可开源并上线 API。模型支持 32k token 上下文，可处理最长 30 分钟转写或 40 分钟理解，具备多语言、音频问答与摘要、语音触发函数调用等能力，API 定价每分钟 0.001 美元起。
推荐理由：Mistral 开源语音理解模型 Voxtral，给出两种尺寸、32k 上下文与 API 定价，可据此判断语音转写与理解的成本与部署选择。
Mistral AI 发布 Mistral Medium 3，称其在多项基准上达到或超过 Claude Sonnet 3.7 的 90%，成本为每百万 token 输入 0.4 美元、输出 2 美元，比 DeepSeek v3 更低。
推荐理由：Mistral Medium 3 以约八分之一成本对标 Claude Sonnet 3.7，并支持四卡以上自托管，读者可据此判断企业部署的性价比空间。
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，推理速度达 150 tokens per second，并以 Apache 2.0 许可开源。
推荐理由：Mistral Small 3.1 以 Apache 2.0 开源并支持 128k 上下文与多模态，读者可据此判断小模型在端侧与智能体场景的可用边界。
Mistral AI 发布光学字符识别 API Mistral OCR，可接收图片和 PDF，按顺序交错提取文本与图像，并支持表格、公式和 LaTeX 等复杂版式。
推荐理由：官方给出 Mistral OCR 的基准对比、定价与自托管选项，可据此判断文档解析在 RAG 流程中的位置。