Liquid AI 发布 LFM2.5-1.2B-Instruct、LFM2.5-2.6B 和 LFM2.5-8B-A1B 的 DSpark 草稿模型，通过 speculative decoding 提升推理吞吐。
推荐理由：文章同时给出 H100 与 M4 Max 的吞吐对比、function-calling 延迟变化及 llama.cpp 和 SGLang 接入方式，便于评估 DSpark 在云端与端侧部署中的收益。
Microsoft Research 发布 Skala 1.1，训练数据量达到上一版本的 2.5x，并在热化学、反应动力学和分子结构预测等任务中提升准确性。在 GMTKN55 的 55 个类别中，Skala 1.1 有 32 个类别获得最高排名，当前已集成到 CP2K，并正在接入 Psi4、FHI-aims、ORCA 和 VASP。
推荐理由：文章将 Skala 1.1 的精度提升、2.5x 数据扩展与 CP2K 等软件集成放在一起，呈现其从模型改进走向科研工作流应用的路径。
Google DeepMind 发布 Gemini 3.7 Flash，称其在编码、知识工作和 Web 开发流程上较 Gemini 3.6 Flash 有明显提升。
推荐理由：Gemini 3.7 Flash 的基准对比、价格和接入方式较为完整，便于判断其在编码与智能体工作流中的升级幅度和适用场景。
Google DeepMind 发布手语转文字模型 SL2T，并将其用于 Gboard 和 Live Transcribe 的手语转文字输入，首批支持 ASL 到英语，搭载于 Pixel 11。
推荐理由：文章从模型架构、隐私处理和真实使用限制三方面展开，帮助理解手语翻译落地到手机时的技术取舍。
NVIDIA 发布 Magpie TTS Multilingual 开放权重模型，模型规模为 364M parameters，支持 12 种语言，并新增 Modern Standard Arabic、Korean 和 Brazilian Portuguese。
推荐理由：文章将开放权重、12 种语言支持、NIM 部署和延迟数据放在同一框架中，便于评估多语言语音智能体的落地路径。
Meta 发布 Muse Glimmer 30B，这是一款面向本地智能体场景的开源多模态模型，采用 Apache 2.0 许可，并支持图像、视频和多模态工具调用。模型已获得 transformers、llama.cpp、vLLM 和 Inference Endpoints 的 day-0 支持，还提供 DFlash speculative decoding 和微调示例。
推荐理由：文章既交代 Muse Glimmer 的 30B 架构与开源许可，也提供本地部署、推理加速和智能体接入的可复用路径。
Google DeepMind 发布并开源 WeatherNext 2、WeatherNext Cyclones 和 WeatherNext 2-mini，WeatherNext Cyclones 在飓风路径、强度和风场结构预测上平均获得超过 24 小时的提前量。
推荐理由：原文同时给出 WeatherNext 的预测增益、训练数据规模和开源范围，便于了解 AI 气象模型如何支持更早的飓风风险研判。
Mistral AI 发布 Shieldstral，一款以 Apache 2.0 开放权重的 3B 多模态安全分类器，可在推理时接受自然语言审核规则，无需重新训练。
推荐理由：将审核规则放在推理时输入的自然语言问题中，使同一模型可适应不同产品的安全边界，而不必为每套规则重新训练。
Google DeepMind 发布 Gemini Robotics ER 2，这是面向机器人的高层具身推理与任务编排模型，可将执行交给 VLA 模型并调用工具。
推荐理由：原文结合视频进度理解、工具编排和多机器人协作，展示了 Gemini Robotics ER 2 面向真实机器人任务的能力变化与开发入口。
Google DeepMind 发布音乐生成模型 Lyria 3.5，并将其上线 Google Flow Music。该模型改进了旋律结构、歌词质量、提示词遵循、歌声表现与发音，还支持更方便地控制输出的节奏和时长。
Google DeepMind 发布 Gemini Robotics 2，通过 Gemini Robotics 2、Gemini Robotics ER 2 和 Gemini Robotics On-Device 2，支持人形机器人全身控制、灵巧操作、多步骤推理与多机器人协作。
推荐理由：原文系统梳理了 Gemini Robotics 2 的三类模型分工、机器人适配方式与安全机制，便于理解其从单机控制走向协作任务的技术路径。
NVIDIA 发布 Cosmos-H-Dreams，一款由动作条件驱动、面向手术机器人的实时生成式模拟器。该模型从 Cosmos-H-Surgical-Simulator 蒸馏而来，针对 dVRK 桌面缝合进行训练，在单张 NVIDIA RTX PRO 6000 上可达约 160 frames per second。
推荐理由：文章展示了从世界模型蒸馏到实时闭环模拟的技术路径，并给出手术机器人策略训练与评估的具体应用方向。
Google DeepMind 发布 Gemini 3.6 Flash、Gemini 3.5 Flash-Lite 和 Gemini 3.5 Flash Cyber，分别面向通用智能体、低延迟高吞吐任务及网络安全。
推荐理由：文章将三款模型的定位、速度与价格放在同一发布中说明，并交代 Gemini 3.5 Flash Cyber 的受限部署方式，便于比较不同智能体工作负载的选择。
Google DeepMind 发布 Gemini 3.5 Flash Cyber，这是基于 3.5 Flash 微调、用于快速发现、验证和修复软件漏洞的轻量网络安全模型。
推荐理由：原文结合 CyberGym、Big Sleep 和生产扫描结果，展示了轻量模型在漏洞发现与修复任务中的性能和规模化使用方式。
DharmaOCR 在巴西葡萄牙语 OCR 基准上得分 0.925，超过 Mistral OCR4 的 0.798 和 Unlimited-OCR 的 0.7587。文章将优势归因于面向巴西葡萄牙语的监督微调，以及用于降低重复和不连贯输出的 DPO 训练。
Thinking Machines 发布开放模型 Inkling 及 Inkling-Small，支持文本、图像和音频输入，并具备 Agent 能力与 1M context。
推荐理由：文章同时拆解了 Inkling 的 MoE、混合注意力与多模态输入架构，并给出不同量化版本的显存需求和部署路径，便于评估落地成本。
Google Research 介绍 SensorFM，这一模型使用来自 5 million 名参与者的超过 1 trillion minutes 多模态可穿戴传感器数据进行预训练。
推荐理由：文章将可穿戴数据的规模化预训练、缺失感知学习与智能体适配串联起来，展示了通用表示跨健康任务迁移的路径。
Mistral AI 发布 8B 模型 Robostral Navigate，仅使用单个 RGB 摄像头和自然语言指令控制机器人自主导航。该模型在 R2R-CE validation unseen 上达到 76.6% 成功率，比最佳单摄像头方案高 9.7 个百分点，比使用深度或多摄像头的最佳系统高 4.5 个百分点。
推荐理由：文章将单 RGB 摄像头导航的基准表现、训练数据规模与 prefix-caching 方法放在一起，便于理解其技术取舍。
Mistral AI 发布 Leanstral 1.5，这是一款采用 Apache-2.0 许可、119B 总参数且仅 6B active parameters 的模型，面向 Lean 4 形式化验证。
推荐理由：文章同时给出形式化数学基准、成本对比和真实代码验证案例，便于评估 Lean 4 证明智能体从题目求解到仓库级任务的实际能力。
Google DeepMind 发布 Nano Banana 2 Lite 图像模型，并面向开发者开放 Gemini Omni Flash 视频生成与对话式编辑模型。
推荐理由：文章同时给出图像与视频模型的定位、价格和限制，便于开发者比较生成速度、成本与可用范围。
Google Research 发布 TabFM，这一面向表格数据分类和回归的基础模型可通过单次前向传播生成预测，无需手动训练、超参数调优或复杂特征工程。TabFM 采用交替行列注意力、行压缩和 Transformer，并基于数亿个合成数据集训练。
推荐理由：文章解释了 TabFM 如何用交替行列注意力、行压缩和合成数据训练，将表格分类与回归转为零样本推理，并给出 BigQuery 使用入口。
Mistral AI 发布 Mistral OCR 4，支持 170 languages，并可返回 bounding boxes、区块类型和逐词 confidence scores。
推荐理由：文章同时呈现了 Mistral OCR 4 的结构化解析能力、部署方式与成本，便于比较其在企业文档流程中的适用场景。
Google DeepMind 发布实验性开放模型 DiffusionGemma，采用文本扩散和并行生成，在专用 GPU 上实现最高 4 倍的文本生成速度。该 26B MoE 模型推理时激活 3.8B 参数，量化后可适配 18GB VRAM，并以 Apache 2.0 许可发布。DiffusionGemma 面向本地、低并发的交互式工作流，但整体输出质量低于标准 Gemma 4。
推荐理由：文章具体说明了 DiffusionGemma 在本地低并发推理中的速度优势，也交代了输出质量与标准 Gemma 4 的取舍。
Google DeepMind 发布 Gemini 3.5 Live Translate，支持在70+种语言之间进行接近实时的语音到语音翻译，并保留说话者的语调、节奏和音高。
推荐理由：Gemini 3.5 Live Translate展示了连续语音翻译在延迟、语调保留和多语言覆盖之间的具体取舍，并给出开发者与用户入口。
Google DeepMind 发布 Gemma 4 12B，这是一款面向笔记本本地运行的统一无编码器多模态模型，支持原生音频输入，并提供多步推理和智能体工作流能力。该模型在标准基准上的表现接近 26B MoE 模型，支持使用 16GB 内存本地运行，并以 Apache 2.0 许可证发布。
推荐理由：文章从架构、资源占用和本地部署入口三个层面，说明 Gemma 4 12B 如何将多模态智能带到消费级笔记本。
Mistral AI 发布 Mistral Medium 3.5 public preview，这是一款 128B dense open-weight 模型，成为 Mistral Vibe 和 Le Chat 的默认模型。
推荐理由：文章同时交代模型规格、编码基准与部署方式，并说明它如何支撑云端并行编码和多步骤工作流。
Google DeepMind 发布 Gemini Omni Flash，可将图像、音频、视频和文本作为输入，生成基于 Gemini 世界知识的视频，并通过对话进行连续编辑。
推荐理由：原文同时交代了 Gemini Omni Flash 的视频生成与对话编辑能力，以及订阅用户、YouTube Shorts 和开发者 API 的开放路径，便于理解其落地范围。
Google DeepMind 的 WeatherNext 帮助美国国家飓风中心提前 5 天预测 Melissa 飓风将以 Category 5 强度登陆牙买加。WeatherNext 可运行 50 个不同的情景，在登陆前 5 天以 80% 置信度预测这一结果，提前 3 天时置信度接近 100%。
推荐理由：文章展示了 WeatherNext 如何通过 50 个情景集合同时预测飓风路径与强度，并为牙买加疏散和资源调度争取提前量。
Google DeepMind 发布 Gemini 3.5 系列并首先推出 Gemini 3.5 Flash，定位为面向智能体和编码的高速模型。
推荐理由：文章同时交代 Gemini 3.5 Flash 在智能体、编码和多模态基准上的具体表现，以及面向个人、开发者和企业的开放入口，便于理解其应用范围。
Google DeepMind 发布 Gemini 3.1 Flash TTS，提升语音质量、可控性和表现力。
推荐理由：Gemini 3.1 Flash TTS 将音频标签、多人对话和多语言支持结合起来，展示了开发者控制语音风格与表达的具体方式。
Google DeepMind 发布 Gemini Robotics-ER 1.6，升级空间与物理推理、多视角理解和任务成功检测能力。模型新增仪表读数能力，可通过工具调用、agentic vision 和代码执行解读压力表等设备。
推荐理由：文章集中展示了 Gemini Robotics-ER 1.6 在多视角成功检测、仪表读数和安全约束上的改进，并说明开发者如何调用该模型。
Google DeepMind 发布 Gemma 4 开源模型家族，提供 E2B、E4B、26B MoE 和 31B Dense 四种规模，面向高级推理与智能体工作流。
推荐理由：文章同时交代四种规模、MoE 激活参数量、端侧离线能力与 Apache 2.0 授权，便于比较部署和微调选择。
Mistral AI 发布 4B 参数的 Voxtral TTS，支持英语、法语、德语等 9 种语言，提供低延迟、情感化语音生成和声音适配。模型延迟可达 70ms，API 价格为 $0.016 per 1k characters，并可在 Mistral Studio 和 Le Chat 中试用。
推荐理由：文章同时呈现了 Voxtral TTS 的多语言语音能力、延迟与价格，并提供了与 ElevenLabs 模型的对比信息。
Mistral AI 发布 Mistral Small 4，将 Magistral 的推理、Pixtral 的多模态和 Devstral 的智能体编码能力整合到单一模型，并支持可配置的 reasoning_effort。
推荐理由：Mistral Small 4 将推理、多模态和智能体编码能力整合到单一模型，并给出性能、部署与开源许可信息，便于评估实际采用成本。
Mistral AI 发布 Leanstral-120B-A6B，面向 Lean 4 形式化仓库中的代码与证明任务，并以 Apache 2.0 许可开放模型权重。
推荐理由：以真实形式化仓库中的证明任务比较模型表现与运行成本，为评估代码智能体在证明工程中的性价比提供了具体参照。
Mistral AI 发布 Voxtral Transcribe 2，包含面向批量转写的 Voxtral Mini Transcribe V2 和面向实时应用的 Voxtral Realtime。
推荐理由：文章同时交代批量与实时语音转写模型的延迟、语言支持、价格和部署方式，便于评估不同语音应用的接入选择。
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相较 Mistral OCR 2 的整体胜率为 74%。
推荐理由：原文同时给出跨文档类型的对比结果、API 与可视化入口及按页计价，便于评估 OCR 接入企业流程的成本与适用场景。
Mistral AI 发布 Devstral 2（123B）和 Devstral Small 2（24B）编码模型，以及开源命令行智能体 Mistral Vibe CLI。
推荐理由：文章同时给出两种参数规模、SWE-bench Verified 成绩与部署方式，便于比较开放模型在编码智能体中的性能和落地门槛。
Mistral AI 发布 Mistral 3，包含 14B、8B、3B 三个小型 dense 模型，以及采用稀疏 MoE、拥有 41B active 和 675B total 参数的 Mistral Large 3，全部采用 Apache 2.0 许可。
推荐理由：这次发布同时覆盖端侧小模型与大规模 MoE 模型，并给出开源许可、部署格式和多家平台入口，便于比较不同规模模型的使用路径。
Mistral AI 发布 Voxtral 语音理解模型，提供 24B 生产版本和 3B 本地与端侧版本。两者均以 Apache 2.0 许可发布，支持 32k token 上下文、长音频转写与理解、语音问答、摘要、多语言处理和函数调用。Voxtral 也通过 API 提供服务，定价从 $0.001 per minute 起。
推荐理由：Voxtral同时提供可本地部署的开源模型与API，并把长音频理解、问答摘要和语音函数调用纳入同一系统，便于比较开放部署与商业接口的取舍。