Google Research 发布端到端实时语音到语音翻译模型
Google Research 介绍了一种端到端实时语音到语音翻译（S2ST）模型，可保留原说话人声音进行实时翻译，延迟仅 2 秒，而现有级联式方案通常有 4–5 秒延迟并存在误差累积。
推荐理由：原文对比了级联方案的延迟与误差累积问题，读者可据此理解端到端流式架构带来的改进方向。
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 61–80 条 · 共 106 条Google Research精选AI 评分7474 Google DeepMind精选AI 评分8888 Google DeepMind 发布 Gemini 3 并推出智能体开发平台 Google Antigravity
Google DeepMind 发布 Gemini 3，其中 Gemini 3 Pro 在 Gemini API 中以 preview 提供，200k tokens 及以下提示词定价为 $2/百万输入 tokens。
推荐理由：原文给出定价、基准分数和接入入口，读者可据此评估它能否接入现有编码与智能体工作流。
Google DeepMind精选AI 评分9292 Google DeepMind 发布 Gemini 3 系列模型
Google DeepMind 发布 Gemini 3，先推出 Gemini 3 Pro preview，并同步上线 Gemini app、AI Studio、Vertex AI、Gemini CLI 及 Search 的 AI Mode，首次在 Search 第一天接入。
推荐理由：官方给出了各基准的具体分数与开放入口，读者可据此评估其相对 2.5 Pro 的实际提升。
Google Research精选AI 评分7474 Google 推出 Generative UI：Gemini 应用与 AI Mode 上线动态界面实验
Google Research 发布论文并推出 Generative UI，让模型针对任意提示词动态生成网页、游戏、工具和应用等交互界面，该能力以 dynamic view 和 visual layout 两项实验形式在 Gemini 应用上线。
推荐理由：原文说明了实现所需的三项关键设计和评测对比口径，读者可据此判断生成式 UI 目前的能力边界。
Google DeepMind精选AI 评分7474 Google DeepMind 发布 SIMA 2：可推理、对话并自我改进的虚拟 3D 世界智能体
Google DeepMind 发布 SIMA 2，将 Gemini 模型作为智能体核心，使其从指令跟随者进化为可思考目标、与用户对话并随时间自我改进的游戏伙伴。
推荐理由：原文说明了从指令跟随到推理与自我改进的架构变化，读者可据此理解具身智能研究的路径取舍。
OpenAI News精选AI 评分6464 ChatGPT 推出群聊功能
ChatGPT 推出群聊功能，用户可以和他人以及 ChatGPT 在同一个对话中协作。
Google Research精选AI 评分6262 Google 基于 Gemini 推出 Fitbit 个人健康教练并开启公开预览
Google 宣布基于 Gemini 模型打造的个人健康教练将在未来一周内向美国 Fitbit Premium Android 用户推出可选公开预览，iOS 版本随后扩展。
推荐理由：原文拆解了健康教练背后的多智能体框架与评测体系，读者可了解其如何把通用模型落到具体健康场景。
Hugging Face Blog精选AI 评分6060 Hugging Face AI Sheets 新增视觉能力，可在表格中提取、生成与编辑图片
Hugging Face 宣布为开源工具 AI Sheets 加入视觉支持，用户可在表格中直接查看、分析、提取图片信息，生成新图并实时编辑，底层通过 Inference Providers 调用数千个开源模型。
推荐理由：通过手写食谱的完整示例，读者可以看到从图片抽取到结构化导出的可迁移工作流。
Hugging Face Blog精选AI 评分6262 Hugging Face 发布开源 OCR 模型选型与部署指南
Hugging Face 发布指南介绍如何挑选和使用开源 OCR 模型，覆盖模型能力、输出格式（DocTag、HTML、Markdown、JSON）、评测基准与成本对比。
推荐理由：文章给出模型能力、输出格式与成本的对照维度，读者可据此为自己的文档场景挑选 OCR 模型。
OpenAI News精选AI 评分6767 OpenAI 发布 Sora 2 系统卡
OpenAI 发布 Sora 2 系统卡，介绍其新一代视频与音频生成模型。Sora 2 在 Sora 基础上引入更准确的物理表现、更强的真实感、同步音频、增强的可控性以及更广的风格范围等此前视频模型难以实现的能力。
OpenAI News精选AI 评分6060 OpenAI 以安全为基础推出 Sora 2 与 Sora 应用
OpenAI 宣布推出 Sora 2 视频模型和 Sora 应用，称针对前沿视频模型与全新社交创作平台带来的新型安全挑战，将安全作为基础，并以具体保护措施作为其做法的锚点。
推荐理由：官方说明了面向视频模型与社交创作平台的具体安全保护措施，可了解其安全设计思路。
OpenAI News精选AI 评分8181 OpenAI 发布 GPT-5
OpenAI 宣布推出 GPT-5，称其为迄今最好的 AI 系统，相比此前所有模型在智能上有显著跃升，在编码、数学、写作、健康、视觉感知等多个领域达到 state-of-the-art 表现。
Mistral AI精选AI 评分6060 Mistral AI 为 Le Chat 推出 Deep Research、语音模式等新功能
Mistral AI 为 Le Chat 推出一批新功能，包括预览版 Deep Research 模式、基于 Voxtral 的语音模式、由推理模型 Magistral 驱动的多语言 Think 模式、Projects 文件夹，以及与 Black Forest Labs 合作的图像编辑。
推荐理由：原文逐项说明了新功能的定位与底层模型，读者可据此判断 Le Chat 在研究、语音、推理场景的能力边界。
Hugging Face Blog精选AI 评分7474 Hugging Face 发布开源 3B 模型 SmolLM3：多语言、128k 长上下文与双模式推理
Hugging Face 发布完全开源的 3B 模型 SmolLM3，包含 Base 与 Instruct/Reasoning 两个版本，用 11.2T tokens 训练，性能超过 Llama-3.2-3B 和 Qwen2.5-3B，并与 4B 级模型（Qwen3、Gemma3）竞争。
推荐理由：完整公开了三阶段预训练配方与双模式推理的构建方法，可迁移给自建小模型的团队。
Hugging Face Blog精选AI 评分8181 Gemma 3n 在开源生态全面开放可用
Gemma 3n 正式在 transformers、timm、MLX、llama.cpp、transformers.js、ollama、Google AI Edge 等主流开源库开放可用，原生支持图像、文本、音频和视频输入。
推荐理由：原文给出了模型规格、显存需求和各库接入方式，读者可据此判断能否在自己的设备上跑起来。
Hugging Face Blog精选AI 评分6262 H Company 开源 Holo1 GUI 自动化 VLM 系列与 WebClick 基准
H Company 在 Hugging Face 开源了 Holo1 系列 Action VLM（含 Holo1-3B 和 Holo1-7B）以及包含 1,639 个人类式 UI 任务的多模态定位基准 WebClick。
推荐理由：给出了模型规格、基准成绩与单任务成本，读者可据此评估开源 GUI 自动化方案的性价比。
Hugging Face Blog精选AI 评分7474 Hugging Face 发布开源 450M 视觉语言动作模型 SmolVLA
Hugging Face 发布 SmolVLA-450M，一款 450M 参数的开源视觉语言动作模型，可在消费级硬件上运行，仅用 lerobot 标签下的社区共享数据集预训练，在 LIBERO、Meta-World 仿真及 SO100、SO101 真实任务上超过更大的 VLA 和 ACT 基线。
推荐理由：原文给出了训练数据规模、架构取舍和异步推理收益，读者可据此评估小模型 VLA 在消费级硬件上的可行性。
Hugging Face Blog精选AI 评分6161 Meta 发布多模态安全模型 Llama Guard 4 与两款 Llama Prompt Guard 2
Meta 发布 Llama Guard 4，一个 12B 稠密多模态安全模型，以及两款新的 Llama Prompt Guard 2 分类器（86M 和 22M 参数）。
推荐理由：原文给出了从 Llama 4 Scout 剪枝为稠密模型的架构细节和与上一代的对比数据，便于判断其部署成本与效果取舍。
Hugging Face Blog精选AI 评分8888 Hugging Face 迎来 Meta Llama 4 Maverick 与 Scout 模型
Hugging Face 官方博客宣布 Meta 新一代 Llama 4 模型上线 Hub：Maverick 约 400B 总参数、128 专家，Scout 约 109B 总参数、16 专家，均为 17B 激活参数的 MoE 架构，支持文本与图像输入，训练数据最多 40 万亿 token、覆盖 200 种语言。
推荐理由：原文拆解了 NoPE、分块注意力等架构选择，读者可理解超长上下文如何实现。
Hugging Face Blog精选AI 评分7474 NVIDIA 在 GTC 2025 发布 Cosmos Transfer、Physical AI Dataset 与 Isaac GR00T N1 三项开源成果
NVIDIA 在 GTC 大会上发布三项面向物理 AI 开发者的开源成果：世界基础模型 Cosmos Transfer、开源数据集 Physical AI Dataset，以及首个通用人形机器人推理开源模型 Isaac GR00T N1。
推荐理由：梳理了三项开源发布的具体规格与架构细节，便于开发者评估可直接复用的模型与数据资源。