Google DeepMind 发布实验性开源模型 DiffusionGemma，采用文本扩散方式一次并行生成整段文本，在专用 GPU 上文本生成速度最高提升 4 倍，单张 NVIDIA H100 可达 1000+ tokens per second，NVIDIA GeForce RTX 5090 可达 700+ tokens per second。
推荐理由：原文给出了速度、显存与质量取舍的具体数据，读者可据此判断它是否适合本地交互场景。
Google DeepMind 发布最新音频模型 Gemini 3.5 Live Translate，支持 70+ 语言近实时语音到语音翻译，可自动检测语言并保留说话者的语调、节奏和音高，持续生成语音且仅比说话者落后几秒。
推荐理由：原文说明了从五种语言到 70+ 语言的跨度变化，读者可据此判断它对会议翻译场景的实际影响。
Google DeepMind 发布 Gemma 4 12B，定位为可在 16GB RAM 消费级笔记本本地运行的智能体多模态模型，是该系列首个支持原生音频输入的中等规模模型。
推荐理由：原文说明了无编码器架构如何省下延迟与显存，读者可据此判断本地多模态部署的可行性。
Mistral 发布 Mistral Medium 3.5，一个 128B 稠密、256k 上下文窗口的旗舰模型，以修改版 MIT 协议开放权重，SWE-Bench Verified 得分 77.6%，τ³-Telecom 得分 91.4，最少四张 GPU 即可自托管。
推荐理由：原文给出了模型规模、价格与自托管门槛，读者可据此评估其在编码智能体场景的可用性。
Google DeepMind 发布 Omni 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，生成基于 Gemini 真实世界知识的高质量视频，并支持通过自然语言对话编辑视频，每次指令在上一次基础上延续，保持角色一致和场景记忆。
推荐理由：原文说明了 Omni 与 Gemini 推理能力的结合方式和开放入口，读者可据此判断它会怎样改变视频创作工作流。
Google DeepMind 发布 Gemini 3.5 系列的首款模型 Gemini 3.5 Flash，称其为目前最强的智能体与编码模型，在 Terminal-Bench 2.1（76.2%）、GDPval-AA（1656 Elo）、MCP Atlas（83.6%）等基准上超过 Gemini 3.1 Pro，输出速度是其他前沿模型的 4 倍，成本常低于其一半。
推荐理由：原文给出多项基准分数与速度成本数据，读者可据此判断它在智能体与编码场景中的定位。
Google DeepMind 发布 Gemini 3.1 Flash TTS 文本转语音模型，通过在文本中嵌入自然语言 audio tags 实现对语音风格、语速和表达的细粒度控制。
推荐理由：原文给出了基准分数和开放入口，读者可据此判断其在语音生成上的定位与可用性。
Google DeepMind 发布 Gemini Robotics-ER 1.6，作为机器人高层推理模型，可通过 Gemini API 和 Google AI Studio 调用，并原生调用 Google Search、VLA 及第三方函数。
推荐理由：原文说明了仪器读数能力的实现路径，读者可了解具身推理如何结合代码执行解决真实巡检问题。
Google DeepMind 发布 Gemma 4 开源模型系列，采用 Apache 2.0 许可，包含 E2B、E4B、26B MoE 和 31B Dense 四种尺寸，主打推理与智能体工作流。
推荐理由：原文给出了各尺寸的硬件适配与开源许可细节，读者可据此判断本地部署和微调的可行路径。
Google Research 推出压缩算法 TurboQuant（将在 ICLR 2026 发布），通过 PolarQuant 与 QJL 两项技术在零精度损失下大幅压缩模型体积，消除传统向量量化的内存开销。
Google Research 在 Google Earth AI 计划下推出自监督框架 S2Vec，通过 S2 Geometry 分区将建成环境栅格化为多层图像，再用 masked autoencoding（MAE）学习通用嵌入向量，无需人工标注即可预测人口密度、中位收入等指标。
Mistral AI 发布首款文本转语音模型 Voxtral TTS，参数量 4B，基于 Ministral 3B 构建，支持 9 种语言（英语、法语、德语、西班牙语、荷兰语、葡萄牙语、意大利语、印地语、阿拉伯语）的自然情感语音生成。
推荐理由：原文给出了架构组成、延迟数据和与 ElevenLabs 的人工评测对比，读者可据此判断其在语音智能体场景的可用性。
Mistral AI 宣布发布 Mistral Small 4，这是首个将 Magistral 推理、Pixtral 多模态与 Devstral 智能体编码能力统一到单一模型中的 Mistral 模型，采用 Apache 2.0 许可开源。
推荐理由：原文给出了架构参数与延迟吞吐数据，读者可据此评估其替代多模型组合的可行性。
Mistral AI 发布并开源 Leanstral，首个专为 Lean 4 设计的代码智能体，采用高稀疏架构、6B 活跃参数，以 Apache 2.0 许可发布权重，同时在 Mistral Vibe 中提供 agent 模式并开放免费 API 端点 labs-leanstral-2603。
Mistral AI 发布 Voxtral Transcribe 2 系列，包含面向批量转写的 Voxtral Mini Transcribe V2 和面向实时应用的 Voxtral Realtime，后者以 Apache 2.0 开源权重在 Hugging Face 发布。
推荐理由：原文给出两款模型的延迟、词错率与价格对比，读者可据此评估其在语音工作流中的替换价值。
Mistral AI 发布 Devstral 2 系列编码模型，包含 123B 的 Devstral 2 与 24B 的 Devstral Small 2，前者在 SWE-bench Verified 上取得 72.2%。
推荐理由：原文给出两个尺寸的参数、SWE-bench 分数与部署门槛，读者可据此判断它在自托管编码场景中的可行性。
Mistral AI 宣布推出 Mistral 3 模型家族，包括 14B、8B、3B 三款稠密小模型和旗舰 Mistral Large 3（41B 激活参数、675B 总参数的稀疏 MoE），全部以 Apache 2.0 许可开源。
推荐理由：原文给出了模型规格、许可证与部署入口，读者可据此评估其在开源模型中的定位与可用性。
Mistral AI 宣布 Codestral 25.08，其补全接受率提升 30%、建议保留代码多 10%、失控生成减少 50%，chat 模式在 IF eval v8 指令遵循上提升 5%、MultiplE 代码能力平均提升 5%。
推荐理由：原文给出了具体指标变化和部署方式，读者可据此判断其在企业私有化场景中的可用性。
Mistral AI 发布 Voxtral 语音理解模型，提供 24B 和 3B 两个尺寸，均以 Apache 2.0 许可开源，也可通过 API 调用，API 定价 $0.001 per minute 起。
推荐理由：原文对比了开源与闭源语音方案的取舍，并给出价格与基准数据，便于评估其部署性价比。
Mistral AI 与 All Hands AI 合作推出 Devstral Medium 并升级 Devstral Small 1.1，主打智能体编码能力。
推荐理由：原文给出两个模型的分数、价格与部署方式，读者可据此比较开源与API两条路线的成本性能取舍。
Mistral AI 发布首个推理模型 Magistral，分为开源的 Magistral Small（24B 参数，Apache 2.0 许可）和企业版 Magistral Medium。
推荐理由：原文给出两个变体的参数规模、AIME2024 分数与开放许可，便于读者评估其与现有推理模型的差距。
Mistral AI 发布首个面向代码的嵌入模型 Codestral Embed，称其在真实代码数据检索上显著优于 Voyage Code 3、Cohere Embed v4.0 和 OpenAI 的大型嵌入模型。
Mistral AI 与 All Hands AI 合作发布 Devstral，一款面向软件工程任务的智能体 LLM，以 Apache 2.0 许可开源。
推荐理由：原文给出了具体跑分、可本地部署的硬件门槛和 API 价格，读者可据此评估它能否替代现有编码模型。
Mistral AI 宣布发布 Mistral Medium 3，称其在各项基准上达到 Claude Sonnet 3.7 的 90% 或更高水平，API 价格为 $0.4 输入 / $2 输出每 M token，并在编码与多模态理解等专业场景领先于 Llama 4 Maverick 和 Cohere Command A。
推荐理由：原文给出了性能对标、价格与部署方式，读者可据此判断它在企业场景中替代更大模型的可行性。
Mistral AI 宣布发布 Mistral Small 3.1，基于 Mistral Small 3 升级，改进了文本性能与多模态理解，上下文窗口扩展至 128k tokens，推理速度达 150 tokens per second，以 Apache 2.0 许可开源。
推荐理由：原文列出了上下文、速度与运行门槛，读者可据此判断它是否适合端侧与低延迟场景。