多模态

Google DeepMind 发布手语转文本模型 SL2T，落地 Gboard 与 Live Transcribe

Google DeepMind 发布大规模多语言手语转文本模型 SL2T，为 Gboard 和 Pixel 11 的 Live Transcribe 带来手语转文字听写，首先支持 ASL 转英语，后续将扩展更多语言和设备。

Google Research 发布 AMIE (Video) 实现专家级音视频临床问诊

Google Research 推出基于 Gemini 和 Project Astra 的 AMIE (Video)，可进行实时视频临床问诊，感知非语言视觉和听觉线索并引导虚拟体格检查。

Meta 发布开源多模态模型 Muse Glimmer-30B，面向本地智能体场景

Meta 发布 30B 参数多模态开源模型 Muse Glimmer，由 Muse 蒸馏而来，采用 Apache 2.0 许可，主打本地智能体用途如编码、文档分析和个人助理。

Mistral 发布 3B 开源多模态安全分类器 Shieldstral，Apache 2.0 开放权重

Mistral 发布 Shieldstral，一个 3B 开源权重多模态安全分类器，将内容审核建模为策略自适应的问答任务，在推理时接受自然语言策略，无需重训即可适配文本与图像审核。它以 Apache 2.0 协议开放权重，在文本安全上匹敌最大 7 倍于其体积的开放审核模型，可在单张 16GB NVIDIA GPU 上运行，并输出经校准的连续安全分数。

Thinking Machines@thinkymachines精选AI 评分6969

Thinking Machines 发布 Inkling-Small，以四分之一体积达到与 Inkling 相当的性能，总参数 276B、激活 12B，并开放完整权重。用户可在 Tinker 上微调，或在 Tinker Playground 进行文本、图像和音频对话。

Google DeepMind 发布 Gemini Robotics ER 2，强化视频理解、任务编排与多机器人协作

Google DeepMind 发布 Gemini Robotics ER 2，面向机器人的具身推理模型，支持视频理解、任务进度跟踪、工具编排与多机器人协作，并可将执行交给下层 VLA 模型。

Google DeepMind 发布 Gemini 3.6 Flash、3.5 Flash-Lite 与 3.5 Flash Cyber

Google DeepMind 发布 Gemini 3.6 Flash、3.5 Flash-Lite 和 3.5 Flash Cyber 三款模型，面向大规模 AI agent 构建。

Mira Murati@miramurati精选AI 评分7272

Mira Murati 宣布 Thinking Machines 的首个模型 Inkling，从零训练且权重开放。Inkling 可跨文本、图像和音频模态高效推理，官方放出全部权重，今天起可在 Tinker 上微调，并可在 Inkling Playground 体验。

Thinking Machines@thinkymachines精选AI 评分6767

Thinking Machines 推出多模态模型 Inkling，可在文本、图像和音频模态间高效推理，并开放全部权重。模型即日起可在 Tinker 上微调，也可在 Inkling Playground 中试用，详情见 https://thinkingmachines.ai/news/introducing-inkling/。

Together AI 首日上线 Thinking Machines Lab 新模型 Inkling

Thinking Machines Lab 发布多模态 MoE 模型 Inkling，Together AI 在发布当天通过 Serverless 提供托管推理，支持 1M 上下文窗口和 OpenAI 兼容 API。

vLLM 实现 TML Inkling Day-0 支持：1T 参数多模态模型最高 380 tok/s/user

vLLM 宣布 Day-0 支持 Thinking Machines Lab 的 1T 参数多模态模型 TML Inkling，提供 thinkingmachines/Inkling-NVFP4 和 BF16 两个版本。

Thinking Machines 发布 1T 参数多模态开源模型 Inkling 及 Inkling-Small

Thinking Machines 在 Hugging Face 上发布开源多模态模型 Inkling，共 975B 总参数、41B 激活参数，支持 1M 上下文，原生接收图像、文本和音频输入，训练数据为 45 万亿 token，并同时发布 276B 总参数、12B 激活参数的 Inkling-Small。

Google DeepMind 发布 Nano Banana 2 Lite 并向开发者开放 Gemini Omni Flash

Google DeepMind 发布 Nano Banana 2 Lite（gemini-3.1-flash-lite-image），称其为 Nano Banana 家族中最快。

Mistral 发布 OCR 4：支持边界框、块分类和置信度分数

Mistral 发布 OCR 4 文档解析模型，除提取文本外返回边界框、块类型分类和逐词置信度分数，支持 170 种语言，可单容器自托管部署。

vLLM 发布 MiniMax M3 day-0 支持，覆盖 1M 上下文与多模态推理服务

vLLM 宣布对 MiniMax M3 家族的 day-0 支持，涵盖 MiniMaxAI/MiniMax-M3 与 MiniMax-M3-MXFP8 两个检查点，支持 1M token 上下文和图像、视频多模态输入。

Google DeepMind 发布 Gemma 4 12B：无编码器统一多模态模型，可在 16GB 内存笔记本本地运行

Google DeepMind 发布 Gemma 4 12B，定位于在笔记本上本地运行的智能体多模态模型，性能接近其 26B MoE 模型而内存占用不到一半。

Google Research 发布 PHRM 系统用手机前置摄像头被动监测心率与静息心率

Google Research 在 Nature 发表 PHRM 研究系统，利用人脸解锁后的前置摄像头视频在日常用机时后台估计心率与每日静息心率。

Google DeepMind 发布 Gemini Omni Flash，支持多模态输入生成与对话式编辑视频

Google DeepMind 发布 Gemini 家族首个模型 Gemini Omni Flash，可将图像、音频、视频和文本组合作为输入，生成高质量视频，并支持通过自然语言多轮编辑视频、保持角色和场景一致。

Google 扩展内容溯源工具：SynthID 验证进入 Search 与 Chrome，并推出 AI Content Detection API

Google 扩展内容透明与验证工具：Gemini 应用的 SynthID 图像、视频和音频验证已被使用 5000 万次，该能力今日扩展至 Search，未来几周进入 Chrome。

Google DeepMind 发布 Gemini 3.5，率先推出 3.5 Flash

Google DeepMind 发布 Gemini 3.5 模型系列，首发的 3.5 Flash 已在 Gemini 应用、Search AI Mode、Google Antigravity、Gemini API 和 Gemini Enterprise 上线。