新模型的发布、开源与迭代：大模型厂商的旗舰更新、开源权重放出、性能与价格变化的第一时间记录。
Google DeepMind 发布语音转文本模型 Gemini 3.5 Transcribe，可通过 Live API 的 gemini-3.5-transcribe-live 做亚秒级双向流式转写，或通过 Interactions API 的 gemini-3.5-transcribe 处理录音并支持说话人归属与词级时间戳。
推荐理由：原文给出流式与非流式两种 API 形态及 WER 数据，读者可据此判断语音转写能否接入现有语音智能体流程。
IBM Granite 团队发布 Granite 4.2，这是其首个稠密、decoder-only 的推理模型家族，包含 3B、8B、30B 三个尺寸，均以 Apache 2.0 许可开源。
推荐理由：原文完整披露了 Granite 4.2 的预训练、SFT 与多阶段 RL 配方，读者可据此理解推理模型与智能体能力是如何分阶段训练出来的。
Google DeepMind 发布 Gemini 3.7 Flash，定位为面向编码和智能体的最强主力模型，距 Gemini 3.6 Flash 发布仅三周。
推荐理由：原文给出 3.7 Flash 相对 3.6 Flash 的多项基准提升与半价定价，读者可据此判断编码与智能体任务的成本变化。
Google DeepMind 发布大规模多语种手语转文本模型 SL2T，首次把手语 AI 带入消费级产品，在 Pixel 11 的 Gboard 和 Live Transcribe 中支持美国手语（ASL）转英文听写。
推荐理由：原文给出 SL2T 的训练规模、基准成绩与隐私设计，读者可据此判断手语翻译进入消费级产品的可行边界。
Meta 发布 Muse Glimmer，一个从 Muse 蒸馏到 30B 参数的多模态模型，采用 Apache 2.0 许可，面向本地智能体场景，如编码、文档分析和个人助手。
推荐理由：Meta 开源 30B 多模态模型，附完整基准对比与本地部署路径，可据此判断端侧智能体的可用性。
Mistral AI 发布 Shieldstral，一个 3B 开源权重多模态安全分类模型，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，无需重新训练即可统一文本与图像安全评估。
推荐理由：3B 开源权重模型以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 Gemini Robotics ER 2，这是其面向机器人的具身推理模型，可理解视频、编排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：原文给出视频理解、任务编排与多机器人协作的能力变化和开放入口，读者可据此判断机器人在真实环境中的执行方式。
Google DeepMind 发布音乐生成模型 Lyria 3.5，并在 Google Flow Music 中上线。新版本在音乐性、歌词、人声和创作控制四方面改进：旋律结构更丰富自然，歌词质量与提示词遵循度、结构感知提升，人声更具表现力和情感且发音改善，同时可更便捷地控制输出 tempo 和时长。
推荐理由：官方给出 Lyria 3.5 在旋律、歌词、人声和节奏控制上的具体改进方向，可据此判断音乐生成的可控性提升。
Google DeepMind 发布 Gemini Robotics 2，包含三款模型：视觉-语言-动作模型 Gemini Robotics 2 可控制从脚到指尖的完整人形机器人和双臂机器人，具身推理模型 Gemini Robotics ER 2 负责任务规划与多机协作，端侧模型 Gemini Robotics On-Device 2 可在本地运行。
推荐理由：原文给出三款模型的职责分工与端侧适配数据，读者可据此判断机器人全身控制与多机协作的落地路径。
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：原文给出三款新模型的定价、token 效率与基准对比，读者可据此判断智能体工作流的成本变化。
Google DeepMind 发布 Gemini 3.5 Flash Cyber，一个基于 3.5 Flash 微调的轻量网络安全模型，用于快速发现、验证和修补漏洞，在 CyberGym 等基准上以多次调用取得接近更大模型的表现。
推荐理由：原文给出轻量网络安全模型在多个基准和 Google 内部代码库的实测结果，读者可据此判断专用小模型在漏洞挖掘上的性价比。
Thinking Machines 在 Hugging Face 发布 Inkling 系列开源多模态模型，包含约 1T 参数的 Inkling 和 276B 总参数、12B 激活参数的 Inkling-Small，均可原生接收图像、文本和音频输入。
推荐理由：原文给出 Inkling 的架构细节、部署配置与基准数据，读者可据此判断这一开源多模态模型的定位与落地成本。
Mistral AI 发布首个具身导航模型 Robostral Navigate，这是一个 8B 模型，仅用单个普通 RGB 相机、无需 LiDAR 或深度传感器，在 R2R-CE validation unseen 上达到 76.6% 成功率，比最佳单相机方案高 9.7 个百分点，比使用深度或多相机的最佳系统高 4.5 个百分点。
推荐理由：原文给出单目 RGB 相机在 R2R-CE 上的成绩与训练方法，读者可据此判断具身导航的落地门槛。
Mistral 发布 Leanstral 1.5，一个 Apache-2.0 许可的模型，总参数 119B、激活参数 6B，在形式化验证上大幅升级。它在 miniF2F 上达到 100%，解决 PutnamBench 672 题中的 587 题，并在 FATE-H 取得 87%、FATE-X 取得 34% 的当前最优结果。
推荐理由：原文给出 Leanstral 1.5 在形式化验证基准上的成绩与开源入口，读者可据此判断其在 Lean 4 证明工程中的可用性。
Google DeepMind 发布 Nano Banana 2 Lite 和 Gemini Omni Flash 两款模型。
推荐理由：原文给出两款新模型的延迟、价格与可用入口，读者可据此判断图像与视频生成链路的成本取舍。
Google Research 发布 TabFM，一个面向表格数据分类与回归的零样本基础模型，将表格预测重构为上下文学习问题，无需手动训练、超参数调优和特征工程，单次前向传播即可对未见过的表格生成预测。
推荐理由：原文给出零样本表格预测的架构设计与合成数据训练思路，读者可据此判断它能否替代传统树模型流程。
Mistral 发布 OCR 4，在提取文本之外新增边界框、块类型分类和逐页逐词置信度分数，支持 170 种语言，可单容器自托管部署。该模型在 OlmOCRBench 上取得 85.20 分，OmniDocBench 为 93.07 分，官方称独立标注者在多数文档上更偏好其输出。
推荐理由：原文给出 OCR 4 的边界框、块分类与置信度输出，读者可据此判断它如何接入 RAG 与智能体流程。
Google DeepMind 发布实验性开放模型 DiffusionGemma，采用文本扩散方式并行生成整块文本，在专用 GPU 上推理最高提速 4 倍。
推荐理由：原文给出 26B MoE 文本扩散模型的开放权重与硬件门槛，读者可据此判断本地低并发推理的取舍。
Google DeepMind 发布 Gemini 3.5 Live Translate，这是一款支持 70 多种语言的近实时语音到语音翻译音频模型，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：原文给出模型的语言覆盖、连续生成机制和三类产品入口，读者可据此判断实时语音翻译的可用边界。
Google DeepMind 发布 Gemma 4 12B，一款面向笔记本电脑的智能体多模态模型，介于 E4B 与 26B MoE 之间，可在 16GB 显存或统一内存上本地运行。
推荐理由：Gemma 4 12B 用无编码器架构把视觉和音频直接接入 LLM，读者可据此了解端侧多模态模型的设计取舍。