Granite Embedding Multilingual R2 发布：Apache 2.0 多语言嵌入模型，32K 上下文
Hugging Face 发布两款基于 ModernBERT 的 Apache 2.0 多语言嵌入模型：97M 参数的 granite-embedding-97m-multilingual-r2 在 MTEB Multilingual Retrieval 上得分 60.3。
全部AI 动态
全部动态
今日 2 条Hugging Face BlogAI 评分4242
Hugging Face Blog精选AI 评分6060 Granite 4.1 LLM 是如何构建的：IBM 公开预训练、SFT 与 RL 全流程
IBM Granite 团队发布技术长文，详解 Granite 4.1 系列稠密解码器模型（3B、8B、30B）的构建流程：在约 15T token 上分五阶段预训练，上下文窗口经分阶段扩展至 512K，随后用约 4.1M 高质量样本做 SFT，并通过 on-policy GRPO 配合 DAPO loss 的多阶段 RL 强化数学、编码、指令遵循与通用对话能力。
推荐理由：Granite 4.1 完整披露五阶段预训练、SFT 与多阶段 RL 的数据配比和训练配置，可对照其 8B 稠密模型追平 32B-A9B MoE 的结论。
Hugging Face Blog精选AI 评分7474 NVIDIA 发布 Nemotron 3 Nano Omni：面向文档、音频与视频智能体的长上下文全模态模型
NVIDIA 发布 Nemotron 3 Nano Omni，一款覆盖文本、图像、视频与音频的全模态理解模型，基于 Nemotron 3 Nano 30B-A3B 骨干，搭配 C-RADIOv4-H 视觉编码器和 Parakeet-TDT-0.6B-v2 音频编码器。
推荐理由：原文给出架构、训练配方与多模态基准对比，读者可据此判断开源全模态模型在文档、音视频与 GUI 智能体上的能力边界。
Hugging Face Blog精选AI 评分8888 DeepSeek-V4 发布：百万 token 上下文面向智能体任务
DeepSeek 发布 V4，在 Hub 上提供两个 MoE 检查点：DeepSeek-V4-Pro 为 1.6T 总参数、49B 激活，DeepSeek-V4-Flash 为 284B 总参数、13B 激活，均支持 1M token 上下文窗口。
推荐理由：原文拆解了 V4 混合注意力如何把 1M 上下文的 KV cache 压到约 2%，并给出智能体基准对比，便于判断长任务部署成本。
OpenAI News精选AI 评分7878 OpenAI 发布 GPT-5.5
OpenAI 发布 GPT-5.5，官方称其为面向编码、研究和数据分析等跨工具复杂任务打造的模型。
推荐理由：OpenAI 官方发布 GPT-5.5，面向编码、研究与数据分析等跨工具复杂任务，可据此了解其定位。
Google DeepMind精选AI 评分7171 Google DeepMind 发布 Gemini 3.1 Flash TTS 语音模型
Google DeepMind 发布 Gemini 3.1 Flash TTS，称其在可控性、表现力和语音质量上均有提升，在 Artificial Analysis TTS 榜单上取得 1,211 Elo 分数。
推荐理由：官方给出 Elo 1211 与音频标签等具体能力，读者可据此判断语音生成的可控性进展。
Google DeepMind精选AI 评分6666 Google DeepMind 发布 Gemini Robotics-ER 1.6，增强具身推理与仪表读数
Google DeepMind 发布 Gemini Robotics-ER 1.6，这是其推理优先机器人模型的升级版，强化了空间推理与多视角理解，并新增仪表读数能力，可读取压力表、液位计和数字读数。
推荐理由：官方给出与上一代及 Gemini 3.0 Flash 的对比，并说明仪表读数等新能力如何落地机器人巡检。
Hugging Face Blog精选AI 评分6262 Overworld 发布 Waypoint-1.5 实时视频世界模型，消费级 GPU 可跑 720p 60 FPS
Overworld 发布实时视频世界模型 Waypoint-1.5，在 RTX 3090 至 5090 等桌面硬件上可实时生成最高 720p、60 FPS 的环境，并新增面向更广消费级硬件的 360p 版本，后续将支持 Apple Silicon Mac。
推荐理由：Waypoint-1.5 把实时交互世界模型下放到消费级显卡，读者可据此判断本地生成式世界的硬件门槛变化。
Google DeepMind精选AI 评分8484 Google DeepMind 发布 Gemma 4 开源模型家族
Google DeepMind 发布 Gemma 4 开源模型家族，包含 E2B、E4B、26B MoE 和 31B Dense 四个尺寸，采用 Apache 2.0 许可。
推荐理由：Gemma 4 以四个尺寸覆盖端侧到工作站，并给出 Apache 2.0 许可与首日工具链支持，便于开发者判断本地部署与微调路径。
Hugging Face Blog精选AI 评分8888 Google DeepMind 发布 Gemma 4 多模态模型家族
Google DeepMind 的 Gemma 4 多模态模型家族已在 Hugging Face 上线，采用 Apache 2 许可，支持图像、文本和音频输入并生成文本。
推荐理由：Gemma 4 以 Apache 2 许可开放五个尺寸并覆盖音频与端侧部署，读者可据此判断开源多模态模型的可用边界。
Hugging Face Blog精选AI 评分6060 TII 发布 Falcon Perception 与 Falcon OCR 模型
TII 的 Falcon Vision 团队发布 Falcon Perception，一个 0.6B 参数的早期融合 Transformer，用自然语言提示做开放词表定位与分割，在 SA-Co 上达到 68.0 Macro-F1，高于 SAM 3 的 62.3，但在存在性校准上落后（MCC 0.64 对 0.82）。
推荐理由：原文给出 0.6B 早期融合模型在 SA-Co 与 PBench 上的分项对比，可据此判断单骨干感知路线相对模块化管线的取舍。
Hugging Face Blog精选AI 评分6262 IBM 发布 Granite 4.0 3B Vision 企业文档多模态模型
IBM 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，以 LoRA 适配器形式叠加在 Granite 4.0 Micro 之上，采用 Apache 2.0 许可并在 Hugging Face 上线。
推荐理由：Granite 4.0 3B Vision 以 3B 规模在图表与表格抽取基准上超过更大模型，并给出 LoRA 适配器与 Docling 集成路径。
Google DeepMind精选AI 评分7676 Google DeepMind 发布 Gemini 3.1 Flash Live 语音模型
Google DeepMind 发布 Gemini 3.1 Flash Live，称其为目前质量最高的音频与语音模型，精度更高、延迟更低。该模型在 ComplexFuncBench Audio 上得分 90.8%，在 Scale AI 的 Audio MultiChallenge 上开启 thinking 后得分 36.1%。
推荐理由：官方给出语音模型在函数调用与长程推理基准上的分数，并说明开发者与普通用户的使用入口。
Google DeepMind精选AI 评分6262 Google DeepMind 发布 Lyria 3 Pro，支持生成 3 分钟长曲目
Google DeepMind 发布音乐生成模型 Lyria 3 Pro，可生成最长 3 分钟的曲目，并更好理解音乐结构，支持用提示词指定前奏、主歌、副歌和桥段等元素。
推荐理由：Lyria 3 Pro 把单次生成时长提升到 3 分钟并支持段落级提示，读者可据此判断音乐生成在哪些产品里已经可用。
Mistral AI精选AI 评分7171 Mistral AI 发布 4B 参数语音合成模型 Voxtral TTS
Mistral AI 发布首款文本转语音模型 Voxtral TTS，参数规模 4B，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，可生成带情感表达的语音。
推荐理由：官方给出 4B 参数、9 种语言与 70ms 延迟等具体指标，并公开与 ElevenLabs 的人工对比结果。
Hugging Face Blog精选AI 评分6262 H Company 发布 Holotron-12B 高吞吐 computer-use 智能体模型
H Company 发布 Holotron-12B，一个基于 NVIDIA Nemotron-Nano-2 VL 后训练的多模态 computer-use 模型，现已上线 Hugging Face，采用 NVIDIA Open Model License。
推荐理由：原文给出模型架构、吞吐对比与基准提升，读者可据此判断它在高并发 computer-use 场景的可用性。
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 AI 发布 Mistral Small 4，这是 Mistral Small 系列的下一个重要版本，也是 Mistral 首个把 Magistral 的推理、Pixtral 的多模态和 Devstral 的智能体编码能力统一到单一模型中的模型，采用 Apache 2.0 许可开源。
推荐理由：Mistral 首次把推理、多模态与编码能力合并进单一小模型，并给出可调推理强度与部署门槛。
Mistral AI精选AI 评分6262 Mistral 发布 Leanstral：面向 Lean 4 的开源代码智能体
Mistral AI 发布 Leanstral，称其为首个面向 Lean 4 的开源代码智能体，采用 6B 激活参数的稀疏架构，权重以 Apache 2.0 许可开放，并接入 Mistral Vibe 与免费 API 端点 labs-leanstral-2603。
推荐理由：Mistral 开源面向 Lean 4 的代码智能体，给出与 Claude 系列及开源模型的成本与得分对比，可据此判断形式化验证路线的性价比。
Google ResearchAI 评分3434 Google SpeciesNet 开源一年：可识别近 2500 类动物的相机陷阱模型
Google 开源的 SpeciesNet 可对相机陷阱图像分类 2,498 个动物类别，基于 6,500 万张标注图像训练，在留出测试集上能找出 99.4% 含动物的图像，83% 的情况下可识别到物种且其中 94.5% 预测正确。
OpenAI News精选AI 评分8282 OpenAI 发布 GPT-5.4 前沿模型
OpenAI 发布 GPT-5.4，称其为面向专业工作能力最强且高效的前沿模型，具备 SOTA 编码、计算机操作、工具搜索和 1M token 上下文。
推荐理由：OpenAI 官方发布 GPT-5.4，给出编码、计算机操作与 1M token 上下文等能力定位，便于判断其面向专业工作的边界。
Google DeepMind精选AI 评分6666 Google DeepMind 发布 Gemini 3.1 Flash-Lite
Google DeepMind 发布 Gemini 3.1 Flash-Lite，这是 Gemini 3 系列中速度最快、成本最低的模型，已在 Google AI Studio 和 Vertex AI 以预览形式向开发者开放。
推荐理由：官方给出定价、速度与基准数据，读者可据此判断高并发场景下是否值得替换 2.5 Flash。
OpenAI News精选AI 评分6262 OpenAI 发布 GPT-5.3 Instant 系统卡
OpenAI 发布 GPT-5.3 Instant 系统卡，正文内容未能获取。
Google DeepMind精选AI 评分8585 Google DeepMind 发布 Nano Banana 2（Gemini 3.1 Flash Image）图像模型
Google DeepMind 发布 Nano Banana 2（Gemini 3.1 Flash Image），把 Nano Banana Pro 的先进世界知识、质量与推理能力带到 Flash 级速度。
推荐理由：官方给出 Nano Banana 2 与 Pro 的能力分工和上线渠道，读者可据此判断该选哪个模型做图像任务。
Google DeepMind精选AI 评分8080 Google DeepMind 发布 Gemini 3.1 Pro，ARC-AGI-2 得分 77.1%
Google DeepMind 发布 Gemini 3.1 Pro，定位为面向复杂任务的核心推理升级，在 ARC-AGI-2 上取得 77.1% 的验证分数，超过 3 Pro 推理性能的两倍。
推荐理由：官方给出 ARC-AGI-2 上 77.1% 的验证分数，读者可据此判断 Gemini 3.1 Pro 在核心推理上的提升幅度。
OpenAI News精选AI 评分7575 GPT-5.2 在理论物理中推导出新结果
OpenAI 发布新预印本，显示 GPT-5.2 为胶子振幅提出了一个新公式，随后由 OpenAI 与学术合作者完成形式化证明与验证。
推荐理由：OpenAI 与学术合作者披露 GPT-5.2 提出胶子振幅新公式并被形式化证明，可观察大模型参与理论物理推导的边界。
Google DeepMind精选AI 评分8282 Google DeepMind 发布 Gemini 3 Deep Think 升级版
Google DeepMind 发布 Gemini 3 Deep Think 重大升级，这一专用推理模式面向科学、研究与工程难题。官方称其在 Humanity's Last Exam 上取得 48.4%（无工具）、ARC-AGI-2 上 84.6%、Codeforces 上 Elo 3455，并在 2025 国际数学奥林匹克达到金牌水平。
推荐理由：官方给出 Deep Think 在 HLE、ARC-AGI-2、Codeforces 等基准上的具体成绩，并说明 API 早期访问入口，便于判断其科研与工程定位。
OpenAI News精选AI 评分6060 OpenAI 发布 GPT-5.3-Codex-Spark 实时编码模型
OpenAI 发布 GPT-5.3-Codex-Spark，称其为首个实时编码模型，生成速度提升 15 倍，支持 128k 上下文。该模型目前以研究预览形式面向 ChatGPT Pro 用户开放。
推荐理由：OpenAI 发布首个实时编码模型，15 倍生成速度与 128k 上下文让读者了解编码模型的实时化方向。
OpenAI News精选AI 评分7878 OpenAI 发布 GPT-5.3-Codex
OpenAI 发布 GPT-5.3-Codex，这是一个 Codex 原生的智能体，将前沿编码能力与通用推理结合，用于支持长周期、真实世界的技术工作。
推荐理由：OpenAI 发布 Codex 原生的 GPT-5.3-Codex，读者可了解其在编码与通用推理上的定位。
Mistral AI精选AI 评分7676 Mistral 发布 Voxtral Transcribe 2 语音转写模型家族
Mistral 发布 Voxtral Transcribe 2，包含面向批量转写的 Voxtral Mini Transcribe V2 和面向实时场景的 Voxtral Realtime 两款语音转文字模型。
推荐理由：官方给出两款语音转写模型的延迟、错误率与价格对比，便于判断实时语音场景的落地成本。
Hugging Face BlogAI 评分4141 H Company 发布 Holo2-235B-A22B Preview，UI 定位刷新 SOTA
H Company 发布迄今最大的 UI 定位模型 Holo2-235B-A22B Preview，在 ScreenSpot-Pro 上以 3 步智能体模式达到 78.5%、OSWorld G 达 79.0%，创下新 SOTA。
Hugging Face Blog精选AI 评分7474 Overworld 发布 Waypoint-1 实时交互视频扩散模型
Overworld 发布 Waypoint-1，一个可通过文本、鼠标和键盘实时控制的交互式视频扩散模型，权重已上传 Hugging Face Hub，先开放 Waypoint-1-Small，Medium 版本即将推出。
推荐理由：Waypoint-1 把实时交互视频扩散模型与配套推理库一并开源，读者可据此了解世界模型从预训练到低延迟部署的完整路径。
Google DeepMind精选AI 评分6262 Google DeepMind 发布 D4RT 模型，统一 4D 场景重建与追踪
Google DeepMind 发布 D4RT（Dynamic 4D Reconstruction and Tracking），一个统一 4D 场景重建与追踪的 AI 模型，采用编码器-解码器 Transformer 架构和查询机制，可同时完成点追踪、点云重建和相机位姿估计。
推荐理由：D4RT 把 4D 重建统一进单一查询式框架，效率提升幅度和实时应用场景是主要看点。
Google Research精选AI 评分6262 Google 发布 MedGemma 1.5 4B 与医疗语音识别模型 MedASR
Google 发布 MedGemma 1.5 4B，新增对 CT、MRI 和全切片病理等高维医学影像的支持，并保留 2D 图像与文本能力。官方称其在 CT 病变分类上绝对准确率较 MedGemma 1 提升 3%（61% vs. 58%），MRI 提升 14%（65% vs. 51%），MedQA 提升 5%（69% vs. 64%）。
推荐理由：官方给出 MedGemma 1.5 与 MedASR 的基准对比和开源入口，可据此判断医疗多模态模型的可用边界。
Hugging Face Blog精选AI 评分6262 NVIDIA 发布 Cosmos Reason 2 物理 AI 推理视觉语言模型
NVIDIA 发布开源推理视觉语言模型 Cosmos Reason 2，面向物理 AI，在 Physical AI Bench 和 Physical Reasoning 榜单上成为排名第一的开源视觉理解模型。
推荐理由：NVIDIA 开源视觉语言模型 Cosmos Reason 2 的升级细节，读者可据此判断物理 AI 场景的可用能力。
Hugging Face BlogAI 评分4040 Hugging Face 发布 Falcon-H1-Arabic：采用混合 Mamba-Transformer 架构的阿拉伯语模型系列
Hugging Face 发布 Falcon-H1-Arabic 阿拉伯语模型系列，含 3B、7B、34B 三个规模，采用 Mamba 与 Transformer 注意力并行的 Falcon-H1 混合架构。
Hugging Face BlogAI 评分4242 Hugging Face 推出 AprielGuard：面向现代 LLM 系统的 8B 安全护栏模型
Hugging Face 发布 8B 参数安全护栏模型 AprielGuard，可检测 16 类安全风险及提示注入、越狱、思维链污染、记忆投毒、多智能体攻击等对抗攻击，并覆盖工具调用与推理轨迹等智能体工作流。模型提供推理与非推理两种模式，兼顾可解释分类与低延迟生产部署。
OpenAI News精选AI 评分8080 OpenAI 发布 GPT-5.2-Codex 编码模型
OpenAI 发布 GPT-5.2-Codex，称其为该公司最先进的编码模型。该模型具备长程推理、大规模代码转换和增强的网络安全能力。
推荐理由：OpenAI 官方给出 GPT-5.2-Codex 的定位与三项能力方向，可据此了解其编码模型迭代重点。
OpenAI News精选AI 评分6262 OpenAI 发布 GPT-5.2 系统卡增补：GPT-5.2-Codex
OpenAI 发布 GPT-5.2 系统卡增补文件，涉及 GPT-5.2-Codex。
Mistral AI精选AI 评分6666 Mistral 发布 OCR 3，表单与手写识别胜率提升 74%
Mistral 发布文档解析模型 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 Mistral OCR 3 相对上一代的胜率、定价与自托管选项，便于判断文档解析的落地成本。
Hugging Face BlogAI 评分4141 NVIDIA 发布 Nemotron 3 Nano 30B A3B，公开完整评测配方
NVIDIA 发布 Nemotron 3 Nano 30B A3B，并公开其完整评测配方，基于开源库 NeMo Evaluator 构建，任何人可复现评测流程并独立核验结果。NeMo Evaluator 将多个评测 harness 统一到单一接口，分离评测流程与推理后端，默认生成结构化结果与日志。NVIDIA 同时公开了模型卡评测所用的 YAML 配置。