Thinking Machines 发布 Inkling 系列开源多模态模型
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。
多模态
全部主题文本之外的能力：视觉理解、图文混合、音视频输入输出的模型与产品进展。
最新精选
第 21–40 条 · 共 50 条Hugging Face Blog精选AI 评分8282
Google DeepMind精选AI 评分7878 Google DeepMind 发布 Nano Banana 2 Lite 与 Gemini Omni Flash
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。
Mistral AI精选AI 评分6565 Mistral 发布 OCR 4，支持边界框与块分类
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精选AI 评分7878 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，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。
Google Research精选AI 评分7171 Google 研究用手机摄像头被动监测心脏健康
Google Research 在 Nature 发表研究，提出 PHRM 系统，利用手机前置摄像头在面部解锁后的数秒内拍摄视频，通过深度学习在后台估算心率和静息心率。
推荐理由：Google 用手机前摄在解锁后被动测心率，并公开最大规模手机视频数据集与预训练模型，可看 rPPG 的肤色公平性进展。
Google DeepMind精选AI 评分6262 Google DeepMind 为 Project Genie 加入 Street View 真实场景生成能力
Google DeepMind 在实验性原型 Project Genie 中上线 Street View 真实场景锚定能力，用户可选取美国境内地点并搭配风格与角色描述，生成以真实影像为起点的可交互世界，该能力由 Maps Imagery Grounding 驱动。
推荐理由：原文给出 Genie 接入 Street View 真实影像后的世界生成方式与开放范围，读者可据此判断世界模型落地路径。
Google DeepMind精选AI 评分8888 Google DeepMind 发布 Gemini Omni Flash，支持多模态输入生成与对话式视频编辑
Google DeepMind 发布 Omni 系列首个模型 Gemini Omni Flash，可组合图像、音频、视频和文本作为输入生成高质量视频，并通过自然语言多轮编辑视频。
推荐理由：Gemini Omni 把多模态输入与对话式视频编辑结合，读者可据此判断视频生成工作流的变化。
Google DeepMind精选AI 评分8787 Google DeepMind 发布 Gemini 3.5 Flash
Google DeepMind 发布 Gemini 3.5 系列首个模型 3.5 Flash，主打智能体与编码能力，在 Terminal-Bench 2.1 取得 76.2%、GDPval-AA 1656 Elo、MCP Atlas 83.6%，CharXiv Reasoning 为 84.2%，输出速度是其他前沿模型的 4 倍。
推荐理由：原文给出 3.5 Flash 在编码与智能体基准上的具体成绩和开放渠道，读者可据此判断速度与质量的取舍。
Google DeepMind精选AI 评分6262 Google DeepMind 发布 AI co-clinician 医疗研究计划
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。在 98 个真实初级保健查询的盲评中，该系统 97 例无关键错误，医生更偏好其回答而非主流证据综合工具。
推荐理由：原文给出AI co-clinician在临床证据问答与实时多模态远程问诊中的评测结果，读者可据此了解医疗AI当前能力边界与协作定位。
Google DeepMind精选AI 评分7171 Google DeepMind 发布 Gemini Robotics-ER 1.6
Google DeepMind 发布 Gemini Robotics-ER 1.6，这是其面向机器人推理的模型升级版，增强了空间推理与多视角理解，并新增仪表读数能力。
推荐理由：原文给出新模型在空间推理、多视角与仪表读数上的能力变化和开放入口，读者可据此判断机器人高层推理的进展。
Google DeepMind精选AI 评分8282 Google DeepMind 发布 Gemma 4 开源模型家族
Google DeepMind 发布 Gemma 4，称其为迄今最智能的开源模型，面向高级推理与智能体工作流，采用 Apache 2.0 许可。该系列包含 E2B、E4B、26B MoE 和 31B Dense 四个尺寸，其中 31B 在 Arena AI 文本榜位列开源模型第 3、26B 位列第 6。
推荐理由：原文给出四个尺寸的定位与硬件门槛，读者可据此判断本地部署与微调该选哪一档。
Google Research精选AI 评分6262 Google 发布 Vibe Coding XR，用 Gemini 把自然语言变成 Android XR 应用
Google Research 发布 Vibe Coding XR 工作流，结合 Gemini 与基于 WebXR、three.js、LiteRT.js 的 XR Blocks 框架，把自然语言提示词直接转成可运行的物理感知 Android XR 应用，耗时不到 60 秒。
推荐理由：原文给出从自然语言到可运行 Android XR 应用的完整流程与初步评测数据，读者可据此判断 XR 原型的门槛变化。
Mistral AI精选AI 评分7878 Mistral 发布 Mistral Small 4，统一推理、多模态与编码能力
Mistral 发布 Mistral Small 4，首次把 Magistral 的推理、Pixtral 的多模态和 Devstral 的智能体编码能力合并进单一模型，采用 Apache 2.0 许可。
推荐理由：Mistral 把推理、多模态与编码能力合并进单一开源模型，并给出延迟与吞吐对比，可据此判断统一模型的取舍。
Mistral AI精选AI 评分6666 Mistral 发布 OCR 3，表单与手写识别胜率较上一代提升 74%
Mistral 发布文档识别模型 Mistral OCR 3，在表单、扫描件、复杂表格和手写内容上相对 Mistral OCR 2 的整体胜率为 74%，官方称其准确率超过企业级文档处理方案和 AI 原生 OCR 方案。
推荐理由：官方给出 OCR 3 相对上一代在表单、手写和复杂表格上的胜率与每千页定价，便于评估替换成本。
Mistral AI精选AI 评分8282 Mistral 发布 Mistral 3 系列模型，含 675B 参数 MoE 版 Mistral Large 3
Mistral 发布 Mistral 3 系列，包括 14B、8B、3B 三个小尺寸稠密模型和迄今最强的 Mistral Large 3，后者为稀疏 MoE 架构，41B 激活参数、675B 总参数，全部以 Apache 2.0 许可开源。
推荐理由：Mistral 3 系列以 Apache 2.0 开源并给出 MoE 参数与部署方案，读者可据此判断开源前沿模型的可用边界。
Qwen Blog精选AI 评分6262 Qwen 发布翻译模型 Qwen-MT（qwen-mt-turbo）
Qwen 通过 Qwen API 推出翻译模型 Qwen-MT（qwen-mt-turbo），基于 Qwen3 并利用数万亿多语言与翻译 token 训练，结合强化学习提升翻译准确度与流畅度。
推荐理由：原文给出 92 种语言支持、术语干预与低至每百万输出 token 0.5 美元的定价，便于评估翻译场景的落地成本。
Mistral AI精选AI 评分6262 Mistral 为 Le Chat 推出 Deep Research、语音模式等多项新功能
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，读者可据此判断其产品线的整合方向。
Qwen Blog精选AI 评分7171 Qwen 发布统一多模态理解与生成模型 Qwen VLo
Qwen 发布统一多模态理解与生成模型 Qwen VLo，预览版可通过 Qwen Chat 访问，支持直接文生图和上传图片后按指令修改。该模型采用从左到右、从上到下的渐进式生成方式，支持中英文等多语言指令，可完成风格迁移、背景替换、文字编辑以及检测、分割、边缘提取等任务。官方表示多图输入和极端宽高比生成尚未正式上线，模型仍处预览阶段，存在生成不准确、不遵循指令等不足。
推荐理由：原文给出统一理解与生成模型的预览入口和能力边界，读者可据此判断多模态生成的实际可用程度。
Mistral AI精选AI 评分7575 Mistral 发布 Mistral Medium 3，主打低成本企业部署
Mistral AI 发布 Mistral Medium 3，称其在多项基准上达到 Claude Sonnet 3.7 的 90% 以上，价格为每百万 token 输入 0.4 美元、输出 2 美元。
推荐理由：官方给出 Mistral Medium 3 的定价、对标模型与部署门槛，可据此判断企业自部署的成本与可行性。
Qwen Blog精选AI 评分7171 Qwen 发布视觉推理模型 QVQ-Max 首个版本
Qwen 正式发布视觉推理模型 QVQ-Max 的首个版本，可理解图像和视频内容并进行分析推理，覆盖数学题、代码、创作等场景。官方称通过调整模型思考过程的最大长度，其在 MathVision 多模态数学基准上的准确率持续提升。后续将聚焦更准确的观察、可操作手机或电脑的视觉 Agent 以及工具验证、视觉生成等交互方式。
推荐理由：官方给出 QVQ-Max 的视觉推理能力定位与后续路线，读者可据此判断多模态推理模型的当前边界。