LFM2.5-VL-DSpark 加速 LFM2.5-VL-3B 视觉语言模型推理
Liquid AI 发布面向 LFM2.5-VL-3B 的实验性 DSpark draft model，通过 speculative decoding 加速视觉语言模型推理。
推荐理由：原文量化了视觉语言模型引入 DSpark 后的解码与端到端加速，并说明额外参数和视觉预填充对整体收益的影响。
#多模态
#多模态
今日 0 条Hugging Face Blog精选AI 评分6262
Latent Space精选AI 评分8282 Xiaomi 发布 MiMo-V2.6-Pro 和 MiMo-V2.6-Flash 开放权重模型
Xiaomi 发布 MiMo-V2.6-Pro 和 MiMo-V2.6-Flash 两个开放权重的原生全模态模型，并公布技术报告、RL 环境和训练代码。
推荐理由：文章不仅介绍 MiMo-V2.6 的模型规模与价格，还梳理其 RL 训练环境和代码开放计划，便于理解其训练路线与开源范围。
Google DeepMind精选AI 评分8484 Google DeepMind 发布 Gemini 3.8 Live 与 Gemini 3.8 Live Extended Thinking
Google DeepMind 发布 Gemini 3.8 Live 与 Gemini 3.8 Live Extended Thinking，分别面向规模化低成本对话和高复杂度任务。
推荐理由：文章同时给出两款模型的定位、语音智能体基准表现与开发者入口，便于比较能力重点和落地路径。
Google DeepMind精选AI 评分7979 Google DeepMind 发布 WeatherNext 3 全球天气模型
Google DeepMind 和 Google Research 发布 WeatherNext 3，通过实时卫星数据每小时生成高分辨率全球天气预报，最高支持 5-kilometer 分辨率。
推荐理由：WeatherNext 3 将实时卫星观测、小时级高分辨率预测与可再生能源变量结合，呈现 AI 天气模型走向本地化应用的路径。
Hugging Face Blog精选AI 评分6868 H Company 发布 NeoMME 多模态多语言编码器
H Company 发布 NeoMME 多模态多语言编码器，提供 260M 和 800M 两种规模，并从头训练单一双向 Transformer 处理文本与原始图像块。
推荐理由：文章系统说明了 NeoMME 的单 Transformer 架构、检索性能与压缩方案，便于评估多模态文档检索在速度、质量和存储之间的取舍。
Google DeepMind精选AI 评分8484 Google DeepMind 发布 SL2T 手语转文字模型并接入 Gboard 与 Live Transcribe
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。
Hugging Face Blog精选AI 评分8888 Meta 发布 Muse Glimmer 30B 开源多模态模型
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。
Mistral AI精选AI 评分6363 Mistral AI 发布 Shieldstral：3B 开放权重多模态安全分类器
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精选AI 评分8080 Google DeepMind 发布 Gemini Robotics ER 2 机器人具身推理模型
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精选AI 评分7979 Google DeepMind 发布 Gemini Robotics 2，支持全身控制与多机器人协作
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。
Google DeepMind精选AI 评分8686 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、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。
Hugging Face BlogAI 评分5252 DharmaOCR 评测：专注巴西葡萄牙语为何胜过更新的 OCR 模型
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。
Hugging Face Blog精选AI 评分8787 Thinking Machines 发布 Inkling 与 Inkling-Small 多模态开源模型
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精选AI 评分7777 Google Research 介绍 SensorFM：面向可穿戴健康数据的通用基础模型
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。
Google DeepMind精选AI 评分8181 Google DeepMind 发布 Nano Banana 2 Lite 与 Gemini Omni Flash
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 DeepMind精选AI 评分8181 Google DeepMind 发布 Gemma 4 12B 统一无编码器多模态模型
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。
Google DeepMind精选AI 评分8787 Google DeepMind 发布 Gemini Omni Flash 视频生成模型
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精选AI 评分8787 Google DeepMind 发布 Gemini 3.5 Flash，主打智能体与编码
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精选AI 评分8888 Google DeepMind 发布 Gemma 4 开源模型家族
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精选AI 评分8181 Mistral Small 4 发布，统一推理、多模态与智能体编码能力
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精选AI 评分6868 Mistral AI 发布 Mistral OCR 3
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精选AI 评分8484 Mistral 3 发布，包含 Mistral Large 3 与 Ministral 3 系列模型
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精选AI 评分8383 Mistral AI 发布 Voxtral 语音理解模型
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。
Mistral AI精选AI 评分7878 Mistral Medium 3 发布，主打低成本企业级性能
Mistral AI 发布 Mistral Medium 3，定位为兼顾 SOTA 性能、较低成本和简化部署的企业级模型。模型在基准测试中达到或超过 Claude Sonnet 3.7 的 90%，价格为 $0.4 input / $2 output per M token，并支持四个 GPU 及以上的自托管环境。
推荐理由：原文将 Mistral Medium 3 与 Claude Sonnet 3.7、Llama 4 Maverick 等模型放在性能和成本维度比较，并说明了企业部署与定制路径。
Mistral AI精选AI 评分7878 Mistral Small 3.1 发布，支持 128k tokens 多模态理解
Mistral AI 发布 Mistral Small 3.1，改进文本性能和多模态理解，将上下文窗口扩展至 128k tokens，推理速度达 150 tokens per second。
推荐理由：这次更新同时覆盖文本、多模态和长上下文，并提供 Apache 2.0 许可与基础模型，便于评估其在端侧和定制场景中的适用性。