Google DeepMind 发布 Gemini 3.1 Flash TTS 语音模型
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。
#多模态
Google DeepMind精选AI 评分6060
Hugging Face BlogAI 评分5555 HCompany 推出浏览器扩展 HoloTab，让 Holo3 计算机操作模型直接可用
HCompany 发布 Chrome 扩展 HoloTab，把 3 月 31 日发布的计算机操作模型 Holo3 直接带进浏览器，用户用自然语言描述目标即可让智能体在任意网站上导航、填表和决策，无需配置或技术背景。
Google ResearchAI 评分5757 Google Research 推出 Vantage：用生成式 AI 评估未来技能的研究实验
Google Research 与纽约大学合作推出 Vantage，一个面向高中和大学学生的研究实验，通过生成式 AI 在模拟环境中评估批判性思维、协作、创造性思维等未来技能，现已在 Google Labs 提供英文版注册。
Google DeepMind精选AI 评分6161 Google DeepMind 发布 Gemini Robotics-ER 1.6 具身推理模型
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。
OpenAI NewsAI 评分88 ChatGPT 在医疗领域的应用
OpenAI 介绍临床医生如何使用 ChatGPT 支持诊断、文档记录和患者护理，配套工具符合 HIPAA 合规要求。
Hugging Face Blog精选AI 评分6464 Sentence Transformers v5.4 新增多模态 Embedding 与 Reranker 支持
Hugging Face 官方博客介绍 Sentence Transformers v5.4 更新，现在可用同一套 API 编码并比较文本、图像、音频和视频，支持多模态 embedding 模型与多模态 reranker（CrossEncoder）。
推荐理由：给出多模态编码与重排的完整用法和模型清单，可直接迁移到自己的检索流程。
Hugging Face BlogAI 评分5757 Overworld 发布 Waypoint-1.5 实时交互世界模型，支持本地运行
Overworld 发布实时视频世界模型 Waypoint-1.5，提供 Waypoint-1.5-1B 与 Waypoint-1.5-1B-360P 两个权重，可在 RTX 3090 至 5090 桌面硬件上以最高 720p、60 FPS 实时生成环境，并新增面向更广消费级硬件（含游戏笔记本及即将支持的 Apple Silicon Macs）的 360p 档位。
Google ResearchAI 评分5555 Google Research 发布 PaperVizAgent 与 ScholarPeer 两个学术智能体
Google Research 发布两个面向学术工作流的智能体框架：PaperVizAgent（原名 PaperBanana）用于绘制学术图表，ScholarPeer 用于自动同行评审。
Google DeepMind精选AI 评分8383 Google DeepMind 发布开源模型 Gemma 4 系列
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。
Hugging Face Blog精选AI 评分8888 Google DeepMind 发布 Gemma 4 多模态模型家族
Google DeepMind 在 Hugging Face 上发布 Gemma 4 多模态模型家族，采用 Apache 2 许可，共五个尺寸（E2B、E4B、12B Unified、31B、26B A4B MoE），均提供 base 与 IT 检查点，支持图像、文本输入，小尺寸与 12B Unified 还支持音频。
推荐理由：原文列出五档尺寸、架构取舍与各基准分数，读者可据此判断端侧与 MoE 方案的实际取舍。
Hugging Face Blog精选AI 评分6565 Falcon Perception 发布：0.6B 早融合模型与 Falcon OCR
TII 发布 Falcon Perception，一个 0.6B 参数的早融合 Transformer，用单一骨干处理图像块与文本，通过混合注意力掩码和 Chain-of-Perception 结构化接口（<coord> → <size> → <seg>）实现开放词表定位与分割。
推荐理由：原文拆解了早融合单干设计与三阶段训练配方，读者可据此判断它与视觉编码器加文本解码器路线的取舍依据。
Hugging Face BlogAI 评分5555 Hugging Face 发布 Granite 4.0 3B Vision 企业文档理解视觉语言模型
Hugging Face 发布 Granite 4.0 3B Vision，一款面向企业文档理解的紧凑视觉语言模型，主打表格抽取、图表理解和语义键值对（KVP）抽取，以 LoRA adapter 形式搭载于 Granite 4.0 Micro 之上，支持纯文本回退，可独立使用或与 Docling 组成文档处理流水线。
Google DeepMindAI 评分5858 Google DeepMind 推出由 Gemini 驱动的 AI 指针并落地 Chrome
Google DeepMind 发布由 Gemini 驱动的实验性 AI 指针，提出四条交互原则：保持工作流不被打断、指哪看哪捕捉视觉与语义上下文、用“这个/那个”等自然简写替代冗长提示词、把像素转化为可交互的结构化实体。
Google DeepMindAI 评分5858 Google DeepMind 发布 Lyria 3 Pro 并将其接入更多 Google 产品
Google DeepMind 发布音乐生成模型 Lyria 3 Pro，可生成最长 3 分钟的曲目并具备结构化理解，支持在提示词中指定前奏、主歌、副歌、桥段等元素。
Google ResearchAI 评分5656 Google 发布 Vibe Coding XR，用 Gemini 与 XR Blocks 快速生成 Android XR 应用
Google Research 宣布推出 Vibe Coding XR 工作流，结合 Gemini 与开源的 XR Blocks 框架，把自然语言直接转化为具备物理感知的 Android XR 应用，60 秒内即可完成。
Google ResearchAI 评分4545 Google Research 发布 S2Vec：用自监督框架学习城市建成环境的通用嵌入向量
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。
Google ResearchAI 评分5656 Google Research 在 The Check Up 活动上展示医疗 AI 从创新到临床的最新进展
Google Research 在 The Check Up 活动上介绍了其医疗 AI 最新进展，涵盖个性化健康、临床协作、开发者生态、公共卫生与生物医学发现多个方向。
Google Research精选AI 评分7474 Google Research 与 NHS 合作发表乳腺癌筛查 AI 研究
Google Research 与多家 NHS 机构合作开展 AIMS 研究，在 Nature Cancer 发表两项研究评估 AI 乳腺癌检测系统。
推荐理由：研究给出了AI作为第二读片人的具体读片量与时间节省数据，可帮助评估其在筛查流程中的实际落地空间。
Hugging Face BlogAI 评分5555 H Company 发布多模态计算机使用模型 Holotron-12B
H Company 发布面向计算机使用智能体的多模态模型 Holotron-12B，基于 NVIDIA Nemotron-Nano-2 VL 后训练，现已在 Hugging Face 以 NVIDIA Open Model License 开源。
OpenAI NewsAI 评分5959 OpenAI 发布 GPT-5.4 mini 和 nano
OpenAI 发布 GPT-5.4 mini 和 nano，它们是 GPT-5.4 的更小、更快版本，针对编码、工具使用、多模态推理以及高吞吐量 API 和 sub-agent 负载进行了优化。
Mistral AI精选AI 评分7676 Mistral 发布 Mistral Small 4：统一推理、多模态与智能体编码的开源模型
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。
Google Research精选AI 评分7272 Google Flood Hub 上线城市山洪 24 小时 AI 预警
Google Research 宣布在 Flood Hub 上线城市山洪（Urban Flash Flood）预报，可提前最多 24 小时预测城市地区山洪风险。
推荐理由：原文说明了山洪预警缺乏历史数据的难点及用新闻报道构造训练集的做法，可迁移借鉴。
Google ResearchAI 评分5959 Google Research 发布 Groundsource：用 Gemini 将新闻报道转为历史灾害数据
Google Research 发布 Groundsource，一个用 Gemini 把非结构化新闻报道转化为结构化历史数据的可扩展框架，首个开放数据集覆盖 150 多个国家、2000 年至今的 260 万条城市山洪事件记录。
OpenAI NewsAI 评分5656 ChatGPT 推出数学与科学互动可视化讲解功能
ChatGPT 推出面向数学和科学的互动可视化讲解功能，帮助学生实时探索公式、变量和概念。
Google DeepMindAI 评分5858 Google DeepMind：AlphaGo 十年影响与通往 AGI 的路径
Demis Hassabis 撰文回顾 AlphaGo 十年前击败世界冠军李世石的里程碑，以及 Move 37 展示的超越模仿、发现全新策略的能力。文章梳理了 AlphaGo Zero、AlphaZero 的自对弈演进，以及其方法在 AlphaFold 2、AlphaProof、AlphaEvolve 和 AI co-scientist 等科学项目中的延伸应用。
Hugging Face Blog精选AI 评分6262 LeRobot v0.5.0 发布：首个 Unitree G1 人形支持与六项新策略
LeRobot v0.5.0 发布，自 v0.4.0 起合并 200 多个 PR、新增 50 多位贡献者，新增完整 Unitree G1 人形支持（含运动、操作、遥操作与全身控制）、OpenArm 与 Earth Rover 等硬件，以及 Pi0-FAST 自回归 VLA、Real-Time Chunking、Wall-X、X-VLA、SARM 和 PEFT 支持等六项策略。
推荐理由：原文逐项列出了硬件、策略、数据与环境四条线的能力变化，读者可据此判断这次版本更新会怎样扩展可支持的机器人与训练流程。
Google ResearchAI 评分5555 Google 开源 SpeciesNet 野生动物识别模型，可分类近 2500 个物种
Google 发布的开源模型 SpeciesNet 可对相机陷阱图像中的动物进行物种分类，覆盖 2,498 个类别，训练数据来自超过 65 million 张标注图像。
OpenAI NewsAI 评分2929 Descript 如何用 OpenAI 推理模型实现大规模多语言视频配音
Descript 借助 OpenAI 推理模型实现了大规模内容库的自动本地化配音，在翻译过程中不丢失时间轴与语义。该方案让 Descript 得以对大量视频内容进行多语言配音扩展。
Google DeepMindAI 评分5858 Google DeepMind 发布 Gemini 3.1 Flash-Lite 模型
Google DeepMind 发布 Gemini 3.1 Flash-Lite，称其为 Gemini 3 系列中最快、最具成本效益的模型，定价 $0.25/1M 输入 tokens 和 $1.50/1M 输出 tokens，即日起通过 Gemini API 在 Google AI Studio 面向开发者、在 Vertex AI 面向企业开放预览。
Google DeepMind精选AI 评分7575 Google DeepMind 发布图像模型 Nano Banana 2（Gemini 3.1 Flash Image）
Google DeepMind 发布最新图像生成模型 Nano Banana 2（Gemini 3.1 Flash Image），将 Nano Banana Pro 的世界知识、质量与推理能力带到 Flash 速度，支持最多 5 个角色的主体一致性、14 个物体的保真度、512px 到 4K 的分辨率控制，以及基于网页搜索的实时信息 grounding。
推荐理由：原文列出了从 Pro 下放的能力和各产品线的落地入口，读者可据此判断它会怎样改变现有图像工作流。
Google DeepMind精选AI 评分7474 Gemini 应用上线音乐生成模型 Lyria 3 测试版
Google DeepMind 宣布其最新生成音乐模型 Lyria 3 在 Gemini 应用中以测试版形式上线，用户可用文字或上传照片、视频在数秒内生成 30 秒带歌词或纯器乐的曲目，并自定义风格、人声和节奏，封面图由 Nano Banana 生成。
推荐理由：原文说明了 Lyria 3 相对前代的三项能力改进和版权处理方式，可帮助读者判断其可用范围与边界。
Google ResearchAI 评分5454 Google Research 发布 MapTrace：用合成数据教会多模态模型在地图上追踪路径
Google Research 提出 MapTrace 任务、数据集与合成数据生成流水线，用 Gemini 2.5 Pro 和 Imagen-4 开源 2M 问答对，帮助多模态大语言模型学会在地图上追踪路径。
Google DeepMindAI 评分5555 Google DeepMind 与印度政府机构建立 AI 合作
Google DeepMind 宣布通过 National Partnerships for AI 与印度政府机构及本地机构建立新合作，向印度研究者开放 AlphaGenome。
OpenAI NewsAI 评分4444 OpenAI 开源 GABRIEL：用 GPT 将定性文本与图像转为量化数据
OpenAI 推出开源工具包 GABRIEL，利用 GPT 将定性文本和图像转化为量化数据，帮助社会科学家规模化开展研究分析。
Google ResearchAI 评分4444 Google Research 推出 DialogLab：开源的人机群聊对话原型框架
Google Research 在 ACM UIST 2025 上开源了 DialogLab，一个用于创作、模拟和测试动态人机多方对话的原型框架。
Google ResearchAI 评分5757 Google：以鸟类数据训练的 Perch 2.0 迁移用于鲸类叫声分类
Google Research 与 Google DeepMind 在 NeurIPS 2025 workshop 论文中展示，主要以鸟类和陆地发声动物训练的生物声学基础模型 Perch 2.0，尽管训练中不含水下音频，仍可作为嵌入模型通过迁移学习用于鲸类叫声分类等海洋任务。
Google ResearchAI 评分4747 Google 如何用 AI 工具重新定义通用设计以提升无障碍体验
Google Research 推出 Natively Adaptive Interfaces（NAI）框架，用多模态 AI 工具打造更易用的应用，将静态导航替换为动态的智能体驱动模块。
Google DeepMind精选AI 评分6262 Google DeepMind 向美国 AI Ultra 用户开放 Project Genie 交互世界原型
Google DeepMind 宣布向美国 18 岁以上 Google AI Ultra 订阅用户开放 Project Genie，一个基于 Genie 3、Nano Banana Pro 和 Gemini 的实验性研究原型网页应用，可创建、探索和 remix 交互世界。
推荐理由：原文说明了原型的三项核心能力与已知局限，读者可据此判断世界模型目前能做什么、还做不到什么。
Hugging Face BlogAI 评分3636 Alyah：面向阿拉伯语大语言模型的阿联酋方言能力评测基准
Hugging Face 团队推出阿联酋方言评测基准 Alyah，含 1,173 个人工采集的四选一选择题样本，覆盖问候、诗歌、历史遗产等 7 类内容。
Google ResearchAI 评分4747 Google Research：小模型通过分解实现更优的意图提取
Google Research 在 EMNLP 2025 发表论文，提出将用户意图理解拆分为"逐屏摘要 + 从摘要序列提取意图"两阶段的分解式工作流，让小多模态模型（MLLM）在设备端完成 UI 轨迹意图提取。