Microsoft Research 推出生物学 AI 研究系统 Quine
Microsoft Research 发布 Quine，一个面向生物学复杂性的 AI 研究系统，由生物学世界模型和连接模型、科学工具、文献与科研人员的交互式 harness 两部分组成。
推荐理由：微软研究院公开了面向生物学的多模态世界模型 Quine 及其与 Broad Institute 合作的湿实验验证结果。
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 1–20 条 · 共 29 条Microsoft Research精选AI 评分7070
Google DeepMind精选AI 评分7171 Google DeepMind 为 Gemini 推出智能体视频理解功能
Google DeepMind 为 Gemini 3.7 Flash、3.6 Flash 和 3.5 Flash-Lite 推出智能体视频理解功能，视频分析 token 消耗最多降低 88%、成本最多降低 66%、准确率最多提升 7%。
推荐理由：官方给出视频分析在 token、成本与准确率上的量化变化，并说明可用入口和启用方式，便于开发者评估是否迁移现有视频处理流程。
Google DeepMind精选AI 评分6666 Google DeepMind 发布 Gemini Omni 1.1 Flash，强化生成视频控制
Google DeepMind 发布 Gemini Omni 1.1 Flash，通过 Gemini API 在 Google AI Studio 提供给开发者，新增场景延长、首尾帧插值、360p 快速草稿和 4K 放大等能力。
推荐理由：原文列出场景延长、首尾帧插值和 4K 放大等具体能力与价格入口，可据此判断生成视频工作流的变化。
Google DeepMind精选AI 评分6767 Google DeepMind 发布手语转文本模型 SL2T，首发落地 Gboard 与 Live Transcribe
Google DeepMind 发布手语转文本模型 SL2T，以超过 10 万小时、50 多种手语的数据训练，实现手语到文本的机器翻译。该模型首先在 Pixel 11 的 Gboard 与 Live Transcribe 中上线，支持美国手语（ASL）转英文，可用来搜索、写消息或向 Gemini 提问，更多设备和语言将后续支持。
推荐理由：官方披露 SL2T 的训练规模、手语到文本的翻译路径与隐私处理方式，可了解手语 AI 首次落地消费产品的工程取舍。
Google Research精选AI 评分7171 Google 发布 AMIE (Video)：实时视频问诊达到专家级表现
Google Research 发布 AMIE (Video)，在 Gemini 与 Project Astra 之上实现同步临床视频问诊，可感知非语言临床线索、引导患者演员完成虚拟体格检查并实时进行诊断推理。
推荐理由：AMIE (Video) 用三智能体异步架构支撑实时视频问诊，并在 300 场随机 OSCE 研究中与初级保健医生对比，适合了解医疗多模态智能体的设计与评测方式。
Hugging Face Blog精选AI 评分8787 Meta 开源 Muse Glimmer：面向本地智能体的 30B 多模态模型
Meta 发布开源多模态模型 Muse Glimmer，从 Muse 蒸馏至 30B 参数，采用 Apache 2.0 许可，面向编码、文档分析、个人助理等本地智能体场景。
推荐理由：Meta 开源 30B 多模态模型，附 day-0 推理与量化支持，可用于评估本地智能体模型的落地方案。
Mistral AI精选AI 评分6262 Mistral AI 发布 3B 开源多模态安全分类器 Shieldstral
Mistral AI 发布 Shieldstral，一个 3B 开源权重多模态安全分类器，以 Apache 2.0 许可发布，可在单张 16GB NVIDIA GPU 上运行。该模型把内容审核转化为策略自适应问答任务，推理时直接接受自然语言策略，无需重新训练即可统一文本与图像安全评估，官方称其在文本安全和多模态审核基准上匹配或超过至多 7 倍规模的开放护栏模型，并给出可阈值化的连续安全评分。
推荐理由：3B 分类器以推理时自然语言策略替代固定危害分类，读者可据此判断轻量护栏模型的部署方式变化。
Google DeepMind精选AI 评分7272 Google DeepMind 发布具身推理模型 Gemini Robotics ER 2
Google DeepMind 发布面向机器人具身推理的 Gemini Robotics ER 2，作为高层大脑负责对话、理解物理世界并规划多步任务，再交由底层 VLA 模型执行动作。
推荐理由：官方给出进度分类、时刻定位与多机协作的量化结果，可对照上一代了解具身推理的实际提升幅度。
Google DeepMind精选AI 评分7777 Google DeepMind 发布 Gemini Robotics 2，为机器人带来全身智能
Google DeepMind 发布 Gemini Robotics 2，包含 VLA 模型 Gemini Robotics 2、具身推理模型 Gemini Robotics ER 2 和端侧模型 Gemini Robotics On-Device 2，首次实现对人形机器人从脚到指尖的全身控制。
推荐理由：官方给出了全身控制、22 自由度手部操作与多机器人协作的能力边界，并说明首个具身推理模型已开放入口。
Hugging Face Blog精选AI 评分8585 Thinking Machines 开源多模态大模型 Inkling 及 Inkling-Small
Thinking Machines 在 Hugging Face 发布 Inkling 及 Inkling-Small 两款开源多模态大模型。
推荐理由：原文列出了 Inkling 与 Inkling-Small 的架构参数、部署显存门槛和多引擎支持，读者可据此判断自部署可行性。
Mistral AI精选AI 评分7171 Mistral 发布 Robostral Navigate 具身导航模型
Mistral AI 发布 Robostral Navigate，这是其首个面向具身导航的 8B 模型，仅凭单张 RGB 图像和自然语言指令即可让机器人自主导航，无需 LiDAR 或深度传感器。
推荐理由：原文给出单 RGB 相机实现具身导航的基准数据和训练方法，读者可了解紧凑模型如何完成复杂导航任务。
Hugging Face Blog精选AI 评分6262 Hugging Face 与 Cerebras 将 Gemma 4 引入实时语音 AI
Hugging Face 与 Cerebras 联合演示了一条实时语音到语音流水线，采用开源可替换的级联架构。语音识别用 Nvidia 的 Parakeet，语言模型用 Google DeepMind 的 Gemma 4 31B 在 Cerebras 上推理，文本转语音用 Alibaba 的 Qwen3TTS。
推荐理由：Hugging Face 与 Cerebras 联合演示开源语音到语音流水线，读者可了解各层组件如何组合与何处替换。
Google DeepMind精选AI 评分7575 Google DeepMind 发布 Nano Banana 2 Lite 与 Gemini Omni Flash
Google DeepMind 发布 Nano Banana 2 Lite（gemini-3.1-flash-lite-image）与 Gemini Omni Flash（gemini-omni-flash-preview）。
推荐理由：同属 Nano Banana 家族的三档模型首次给出速度、成本与质量的分工定位，可作为选型参照。
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无编码器多模态模型，视觉与音频输入直接进入 LLM 主干。该模型在标准基准上接近 26B MoE 模型的表现，同时总内存占用不到其一半，并首次在中等规模 Gemma 中支持原生音频输入。
推荐理由：原文给出无编码器架构的视觉与音频直连设计和 16GB 显存本地运行门槛，可据此判断端侧多模态智能体的落地条件。
Google Research精选AI 评分6666 Google 发布 PHRM：用手机前摄被动监测心率与静息心率
Google Research 在 Nature 发表论文，提出研究系统 PHRM，利用手机前置摄像头在面部解锁后的数秒内拍摄视频，在后台估计心率与每日静息心率。
推荐理由：Google 用手机前摄在日常解锁后被动测心率，读者可据此判断摄像头健康监测的可行性与肤色公平性进展。
Google DeepMind精选AI 评分7979 Google DeepMind 发布 Gemini Omni 系列，首个模型 Gemini Omni Flash 上线
Google DeepMind 推出 Gemini Omni 系列，首个模型 Gemini Omni Flash 可组合图像、音频、视频和文本输入，生成并对话式编辑高质量视频。
推荐理由：Gemini Omni Flash 把视频生成与对话式编辑合并到同一模型，读者可据此判断多模态创作入口的变化。
Google DeepMind精选AI 评分6565 Google 扩大内容溯源工具，SynthID 与 C2PA 验证进入 Search 和 Chrome
Google 扩大内容透明度与验证工具，把 SynthID 的图像、视频和音频验证从 Gemini 应用扩展到 Search，并将在未来数周进入 Chrome。
推荐理由：原文给出了内容溯源工具从 Gemini 扩展到 Search 和 Chrome 的路径，读者可据此判断合成内容核验的可用范围。
Google DeepMind精选AI 评分8888 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，今日起在 Gemini app、Google Search AI Mode、Google Antigravity、Gemini API、AI Studio、Android Studio 及 Gemini Enterprise 上线。
推荐理由：官方披露 3.5 Flash 在 Terminal-Bench 2.1 等基准上的成绩与 4 倍输出速度，可据此判断其性价比定位。
Google DeepMind精选AI 评分7373 Google DeepMind 发布 AI co-clinician 医疗协作研究计划
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参与患者诊疗的三人协作模式。在 98 条真实初级保健问题的盲评中，该系统 97 例无关键错误，优于医生常用的两个 AI 系统；与哈佛、斯坦福合作的 140 项问诊技能评估中，AI 在 68 项达到或超过初级保健医生水平，但识别危险信号和指导关键体格检查仍不如专家。
推荐理由：Google DeepMind 的医疗智能体研究给出了盲评、随机仿真等量化结果，可了解 AI 与医生协作的当前边界。
Mistral AI精选AI 评分7171 Mistral AI 发布 Voxtral TTS 语音合成模型
Mistral AI 发布首款文本转语音模型 Voxtral TTS，4B 参数，支持英语、法语、德语、西班牙语、荷兰语、葡萄牙语、意大利语、印地语和阿拉伯语共 9 种语言的语音生成。
推荐理由：原文给出了架构、延迟与定价，读者可据此判断它在企业语音工作流中的位置。