Google 发布表格数据零样本基础模型 TabFM
Google 发布面向表格数据分类与回归的基础模型 TabFM，将表格预测建模为上下文学习问题，无需手动训练、超参数调优和特征工程，单次前向传播即可对未见过的表格生成预测。
推荐理由：Google 把零样本思路从时序预测搬到表格数据，读者可了解其架构设计与在 TabArena 上的对比结果。
#模型发布
#模型发布
今日 0 条Google Research精选AI 评分7878
OpenAI News精选AI 评分6262 OpenAI 预告下一代模型 GPT-5.6 Sol
OpenAI 预告下一代模型 GPT-5.6 Sol，称其在编码、科学和网络安全方面能力更强，并搭配其最先进的安全栈。
推荐理由：OpenAI 官方预告 GPT-5.6 Sol 在编码、科学与网络安全上的能力提升，并同步给出安全栈信息。
Mistral AI精选AI 评分6666 Mistral 发布 OCR 4，支持边界框、块分类与置信度输出
Mistral 发布 OCR 4，在提取文本之外新增边界框、块类型分类和逐页逐词置信度，支持 170 种语言，可单容器自托管部署。官方称独立标注者在 600+ 份文档的盲评中平均 72% 更偏好 OCR 4，并在 OlmOCRBench 上取得 85.20 的最高分。
推荐理由：官方给出 OCR 4 的边界框、块分类与置信度输出，以及自托管和定价细节，便于判断其在 RAG 与智能体流程中的接入方式。
Hugging Face Blog精选AI 评分6262 PP-OCRv6 上线 Hugging Face：1.5M 到 34.5M 参数，支持 50 语言 OCR
PaddleOCR 发布新一代通用 OCR 模型家族 PP-OCRv6，已在 Hugging Face 上线，提供 tiny、small、medium 三档，参数量从 1.5M 到 34.5M，其中 small 和 medium 支持 50 种语言。
推荐理由：原文给出三档模型参数、50 语言覆盖与检测识别提升幅度，便于读者按部署场景选型。
Hugging Face Blog精选AI 评分8888 GLM-5.2 发布：面向长周期任务，支持 1M token 上下文
智谱发布旗舰模型 GLM-5.2，主打长周期任务能力，首次在 1M token 上下文上稳定支撑长程工作，并采用 MIT 开源许可。新架构 IndexShare 让每 4 层稀疏注意力共享同一 indexer，在 1M 上下文下将每 token FLOPs 降低 2.9×，MTP 层改进使投机解码接受长度最高提升 20%。
推荐理由：GLM-5.2 把 1M 上下文落到长周期编码任务上，并给出与闭源前沿模型的逐项对比，可据此判断开源模型在长程工程任务中的位置。
Google DeepMind精选AI 评分7171 Google DeepMind 发布 DiffusionGemma：文本生成最高提速 4 倍
Google DeepMind 发布实验性开源模型 DiffusionGemma，采用文本扩散方式并行生成整块文本，在专用 GPU 上最高实现 4 倍推理提速。
推荐理由：官方给出 26B MoE 文本扩散模型的速度数据与硬件门槛，读者可据此判断本地低并发场景的取舍。
Google DeepMind精选AI 评分8282 Google DeepMind 发布 Gemini 3.5 Live Translate 语音翻译模型
Google DeepMind 发布 Gemini 3.5 Live Translate，一款支持 70 多种语言的近实时语音到语音翻译音频模型，能自动检测语言并保留说话人的语调、节奏和音高。
推荐理由：官方披露了连续生成式语音翻译的取舍思路，以及它在 Google 各产品线的开放节奏。
Google DeepMind精选AI 评分8080 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，一款面向笔记本的智能体多模态模型，采用无编码器统一架构，视觉和音频输入直接进入 LLM 主干。该模型在标准基准上性能接近 26B MoE 模型，内存占用不到其一半，可在 16GB VRAM 或统一内存的消费级笔记本上本地运行，并首次在中等规模模型中支持原生音频输入。
推荐理由：Gemma 4 12B 用无编码器架构把多模态能力压到 16GB 显存，读者可据此判断本地智能体的硬件门槛。
Hugging Face BlogAI 评分5858 NVIDIA 发布 Nemotron 3.5 Content Safety 多模态安全模型
NVIDIA 发布 Nemotron 3.5 Content Safety，基于 Gemma 3 4B IT 微调，把多模态输入、多语言覆盖、自定义企业策略执行和可审计推理整合进一次推理调用。
OpenAI News精选AI 评分6262 OpenAI 为 GPT-Rosalind 引入生命科学新能力
OpenAI 为 GPT-Rosalind 引入新能力，用于推进生命科学研究。该模型增强了生物推理、药物化学专业知识、基因组分析和实验工作流能力。
推荐理由：OpenAI 为 GPT-Rosalind 增加生命科学能力，读者可了解该模型在生物推理与基因组分析上的定位。
Hugging Face Blog精选AI 评分7171 H Company 发布 Holo3.1 计算机使用智能体模型家族
H Company 发布 Holo3.1 计算机使用智能体模型家族，基于 Qwen 系列，覆盖 0.8B、4B、9B 和 35B-A3B 四种尺寸，并首次提供 FP8、Q4 GGUF 和 NVFP4 量化权重用于本地推理。
推荐理由：原文给出 Holo3.1 在移动端、跨框架与量化本地部署上的具体提升，可据此判断计算机使用智能体的落地边界。
Hugging Face Blog精选AI 评分6262 JetBrains 发布 Mellum2：12B 参数 MoE 模型
JetBrains 发布 Mellum2，一个从零训练的 12B 参数 Mixture-of-Experts 模型，覆盖自然语言与代码，每个 token 仅激活 2.5B 参数，采用 Apache 2.0 许可。官方称其相比同规模模型推理速度超过 2 倍，可用于路由、RAG、摘要、子智能体和高吞吐编码场景，模型已在 Hugging Face 开放下载。
推荐理由：JetBrains 给出 Mellum2 的参数量、激活规模与推理速度，读者可据此判断它在多模型系统中的定位。
Mistral AI精选AI 评分8383 Mistral 发布 Mistral Medium 3.5 与 Vibe 云端远程智能体
Mistral 发布 Mistral Medium 3.5，一个 128B 稠密模型，以修改版 MIT 许可开放权重，成为 Mistral Vibe 和 Le Chat 的默认模型。
推荐理由：Mistral 把编码智能体搬到云端并同步开源 128B 模型，读者可据此判断自托管与异步编码的可行边界。
Hugging Face BlogAI 评分3434 OlmoEarth v1.1 发布：计算成本最高降低 3 倍的地球观测模型系列
Hugging Face 发布 OlmoEarth v1.1 地球观测模型系列，在保持 v1 性能的同时将计算成本最高降低 3 倍。该系列通过将 Sentinel-2 各分辨率合并为单一 token 缩短序列长度，并修改预训练方案以避免性能下降，提供 Base、Tiny、Nano 三种规模权重及训练代码。
Hugging Face BlogAI 评分4444 Hugging Face 发布 Ettin Reranker 系列：六款 CrossEncoder 重排序模型
Hugging Face 发布 Ettin Reranker 系列六款 Sentence Transformers CrossEncoder 重排序模型，参数量覆盖 17m、32m、68m、150m、400m 到 1b，均基于 Ettin ModernBERT 编码器，在同尺寸下达到 SOTA。
Google DeepMind精选AI 评分8787 Google DeepMind 发布 Gemini Omni，首款模型 Gemini Omni Flash 支持对话式视频生成与编辑
Google DeepMind 发布 Gemini Omni 模型家族，首款模型 Gemini Omni Flash 可组合图像、音频、视频和文本输入生成高质量视频，并支持通过自然语言多轮编辑视频。
推荐理由：Gemini Omni 把多模态输入与对话式视频编辑结合，读者可了解其能力边界与首发渠道。
Google DeepMind精选AI 评分8585 Google DeepMind 发布 Gemini 3.5 Flash
Google DeepMind 发布 Gemini 3.5 模型系列，首发 3.5 Flash，主打智能体与编码能力，在 Terminal-Bench 2.1 取得 76.2%、GDPval-AA 1656 Elo、MCP Atlas 83.6%，CharXiv Reasoning 多模态理解 84.2%，输出速度是其他前沿模型的 4 倍。
推荐理由：官方给出 3.5 Flash 在编码与智能体基准上的具体分数和开放入口，可据此判断其速度与成本取舍。
Hugging Face BlogAI 评分4242 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。
OpenAI News精选AI 评分6262 OpenAI 以 GPT-5.5 和 GPT-5.5-Cyber 扩展网络安全可信访问计划
OpenAI 扩展 Trusted Access for Cyber 计划，新增 GPT-5.5 和 GPT-5.5-Cyber，面向经过验证的防御方，帮助其加速漏洞研究并保护关键基础设施。
推荐理由：OpenAI 将 GPT-5.5 与 GPT-5.5-Cyber 纳入可信访问计划，读者可了解其面向漏洞研究的开放范围。
OpenAI News精选AI 评分6262 OpenAI 在 API 中推出新一代实时语音模型
OpenAI 在 API 中推出新的实时语音模型，可进行推理、翻译和语音转写，用于构建更自然、更智能的语音体验。
推荐理由：OpenAI 在 API 中上线新的实时语音模型，读者可了解其推理、翻译与转写能力带来的语音交互变化。
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。