Google 研究：用鸟类数据训练的 Perch 2.0 如何揭示水下鲸类之谜
Google Research 与 Google DeepMind 发现，主要用鸟类数据训练的 Perch 2.0 生物声学基础模型，在未接触任何水下音频的情况下，仍能作为嵌入模型迁移用于鲸类发声分类。
#多模态
#多模态
今日 1 条Google ResearchAI 评分3232
Google ResearchAI 评分3434 Google 如何用 AI 工具重新定义通用设计以提升无障碍体验
Google 提出 Natively Adaptive Interfaces（NAI）框架，用多模态 AI 工具让 UI 设计从一刀切转向情境感知，以动态的智能体驱动模块取代静态导航。
Google DeepMind精选AI 评分7171 Google DeepMind 向美国 AI Ultra 订阅用户开放 Project Genie 世界模型原型
Google DeepMind 开始向美国 18 岁以上的 Google AI Ultra 订阅用户开放 Project Genie，这是一个由 Genie 3、Nano Banana Pro 和 Gemini 驱动的实验性研究原型，支持创建、探索和混编交互式世界。
推荐理由：官方披露了原型的三项核心能力与已知限制，读者可据此判断世界模型当前能做什么、还差什么。
Google ResearchAI 评分3232 Google 研究：用小模型分解式方法实现更优用户意图提取
Google Research 在 EMNLP 2025 发表的论文提出分解式意图提取方法：先用小型多模态 LLM 逐屏总结用户交互，再从摘要序列中提取意图，在移动端和网页轨迹上均优于 CoT 与端到端微调。该方法用 Gemini 1.5 Flash 8B 即可达到 Gemini 1.5 Pro 相当的效果，成本与速度更优，适用于端侧部署。
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。
Google DeepMind精选AI 评分7171 Google DeepMind 更新 Veo 3.1 Ingredients to Video，新增竖屏输出与 1080p/4K 放大
Google DeepMind 更新 Veo 3.1 Ingredients to Video，让基于参考图生成的视频在简单提示词下更富表现力，并提升角色身份、背景与物体的一致性。
推荐理由：原文列出 Veo 3.1 Ingredients to Video 在角色一致性、竖屏输出和 1080p/4K 上的具体变化，可据此判断视频生成工作流能怎么调整。
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。
Google DeepMindAI 评分2222 Google 2025 年度回顾：8 大研究突破领域
Google 回顾 2025 年 8 大研究突破领域，Gemini 3 Pro 登顶 LMArena 排行榜，在 Humanity's Last Exam 和 GPQA Diamond 上取得突破性成绩，并在 MathArena Apex 创下 23.4% 的新 SOTA。
Google ResearchAI 评分2222 Google Research 2025 年度回顾：更激进的突破，更大的影响
Google Research 回顾 2025 年成果：Gemini 3 成为其事实性最强的 LLM，在 SimpleQA Verified 和与 Google DeepMind、Kaggle 联合发布的新 FACTS 基准上达到 SOTA。
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。
Google DeepMind精选AI 评分8787 Google DeepMind 发布 Gemini 3 Flash
Google DeepMind 发布 Gemini 3 Flash，主打前沿智能与速度兼顾，在 GPQA Diamond 得 90.4%、Humanity's Last Exam 无工具得 33.7%、MMMU Pro 得 81.2%、SWE-bench Verified 得 78%。
推荐理由：官方给出 Gemini 3 Flash 的基准分数、定价与上线渠道，可据此判断速度与成本之间的取舍。
Google ResearchAI 评分2222 Google 赞助的非洲健康数据科学 Ideathon 揭晓：Dawa Health 等六队用 MedGemma、MedSigLIP 构建医疗方案
Google 联合 SisonkeBiotik、Ro'ya、DS-I Africa 举办非洲健康数据科学 Ideathon，从 30 多份提交中选出六支决赛团队，使用 MedGemma、TxGemma、MedSigLIP 等开放健康 AI 模型开发医疗方案。
Google DeepMindAI 评分3737 Google DeepMind 与 Kaggle 推出 FACTS Benchmark Suite，系统评估大语言模型事实准确性
Google DeepMind 联合 Kaggle 发布 FACTS Benchmark Suite，在原有 FACTS Grounding 基础上新增 Parametric、Search、Multimodal 三项基准，并将 Grounding 升级至 v2，共 3,513 个公开样本。
Google ResearchAI 评分3131 Google 发布 MSEB：面向听觉智能的大规模声音嵌入基准
Google Research 在 NeurIPS 2025 发布大规模声音嵌入基准 MSEB，用统一框架评测检索、推理、分类、转录、分割、聚类、重排与重建八项听觉能力。
Mistral AI精选AI 评分8282 Mistral 发布 Mistral 3 系列：Mistral Large 3 与 Ministral 3 全部开源
Mistral 发布 Mistral 3 系列，包含 Mistral Large 3 与 Ministral 3（3B、8B、14B），全部以 Apache 2.0 许可开源。
推荐理由：Mistral 3 同时给出 675B 稀疏 MoE 大模型与 3B 到 14B 端侧系列，并公开 Apache 2.0 权重与部署格式，读者可据此判断开源前沿模型与端侧路线的分工。
Google DeepMind精选AI 评分7878 Google DeepMind 发布 Nano Banana Pro（Gemini 3 Pro Image）图像模型
Google DeepMind 发布 Nano Banana Pro（Gemini 3 Pro Image），一个基于 Gemini 3 Pro 的高保真图像生成与编辑模型，已在 Google AI Studio 和 Vertex AI 以付费预览形式通过 Gemini API 逐步开放。
推荐理由：官方给出 Gemini 3 Pro Image 的分辨率、文本渲染与搜索接地等能力细节，可据此判断图像生成与编辑的可用边界。
Google DeepMind精选AI 评分8282 Google DeepMind 发布 Nano Banana Pro（Gemini 3 Pro Image）图像生成与编辑模型
Google DeepMind 发布 Nano Banana Pro（Gemini 3 Pro Image），基于 Gemini 3 Pro 构建，主打图像生成与编辑。
推荐理由：官方给出 Nano Banana Pro 的文本渲染、多图融合与分辨率等能力变化，以及各产品线的开放节奏。
Google DeepMind精选AI 评分7171 Google DeepMind 发布 SIMA 2：接入 Gemini 的 3D 世界游戏智能体
Google DeepMind 发布 SIMA 2，将 Gemini 模型嵌入智能体核心，使其从指令执行者升级为能推理目标、与用户对话并自我改进的游戏伙伴。
推荐理由：SIMA 2 把 Gemini 的推理能力接入 3D 游戏智能体，并给出自我改进循环与在 Genie 3 生成世界中的泛化表现。
Google DeepMindAI 评分3838 Google DeepMind 研究：让 AI 像人类一样“看”世界
Google DeepMind 在 Nature 发表新研究，提出三步对齐方法，用 THINGS 数据集训练 SigLIP-SO400M 上的适配器生成百万级图像的 AligNet 数据集，再微调其他视觉模型，使其内部表征按人类概念层级重新组织。该方法改善了模型在“odd-one-out”任务上与人类判断的一致性，并提升了鲁棒性与泛化能力。
Google DeepMindAI 评分3636 Google DeepMind 用 AI 绘制物种分布、预测森林砍伐并升级生物声学模型 Perch
Google 发布三项生物圈研究成果：与 World Resources Institute 合作开发森林流失驱动因素模型，以 1km² 分辨率覆盖 2000-2024 年，并开放 30 米尺度砍伐风险预测基准数据集。
Google ResearchAI 评分3838 Google 发布 ForestCast：用深度学习预测森林砍伐风险
Google 发布 ForestCast，基于纯卫星数据与 vision transformers 预测森林砍伐风险，并公开首个面向该任务的基准数据集。模型仅用 Landsat 和 Sentinel 2 卫星数据及"变化历史"输入，精度可匹配或超过依赖道路、人口密度等专用地图的传统方法，且可在全球任意区域一致应用。团队同时公开全部输入、训练与评估数据，供社区复现并改进模型。
Google ResearchAI 评分3636 Google Research 发布 Earth AI、DeepSomatic 与 Quantum Echoes 等最新突破
Google Research 在 Research@MTV 活动上公布三项最新突破：Google Earth AI、DeepSomatic 与 Quantum Echoes。
Google ResearchAI 评分3636 Google Research 推出 StreetReaderAI：用上下文感知多模态 AI 让街景可访问
Google Research 在 UIST'25 发布 StreetReaderAI，一款面向盲人和低视力用户的可访问街景原型，基于 Gemini 提供 AI Describer 实时场景描述与 AI Chat 对话问答，支持键盘和语音导航。
Google Research精选AI 评分6262 Google Earth AI 发布新影像与人口基础模型及地理空间推理智能体
Google 发布 Earth AI 新进展，包括新的影像与人口基础模型，以及由 Gemini 驱动的地理空间推理智能体，并给出技术细节与评测。影像模型支持自然语言查询和开放词汇目标检测，在文本图像搜索任务上平均提升超过 16%，零样本新目标检测准确率翻倍以上。
推荐理由：Google 公布 Earth AI 新基础模型与地理空间推理智能体的评测数据，可了解多模型协同在灾害预测中的实际增益。
Hugging Face BlogAI 评分4646 如何用开源模型加速你的 OCR 流水线
Hugging Face 发布指南，介绍如何用 Chandra、OlmOCR-2 等开源权重 OCR 模型搭建文档处理流水线，并补充了这些模型的 OlmOCR 评测分数。指南覆盖模型能力对比、微调与开箱使用的取舍、选型要点，以及用多模态检索和文档问答超越传统 OCR。
Hugging Face Blog精选AI 评分6262 Hugging Face AI Sheets 新增视觉支持，可在表格中处理图像
Hugging Face 为开源工具 AI Sheets 发布重大更新，新增视觉支持，可在表格中查看、分析图像并提取信息，也能从文本生成图像和编辑图像，全部由 Inference Providers 上的开放模型驱动。
推荐理由：官方给出视觉能力在表格工作流中的具体用法与模型对比，可据此判断图像数据整理是否值得迁移。
Hugging Face BlogAI 评分3434 如何在 Intel CPU 上三步跑起 VLM：以 SmolVLM 为例
Hugging Face 博客给出在 Intel CPU 上本地运行视觉语言模型（VLM）的三步流程：用 Optimum Intel 与 OpenVINO 将 SmolVLM2-256M-Video-Instruct 转换为 OpenVINO IR，再通过仅权重量化或静态量化压缩模型，最后执行推理。
OpenAI News精选AI 评分7676 OpenAI 发布 Sora 2 视频与音频生成模型系统卡
OpenAI 发布新一代视频与音频生成模型 Sora 2，并公开其系统卡。相比 Sora，新模型在物理准确性、画面真实感、音画同步、可控性和风格覆盖范围上有所提升，官方称这些能力此前的视频模型较难实现。
推荐理由：官方系统卡披露 Sora 2 在物理准确性、音画同步与可控性上的能力变化，可据此判断视频生成模型的当前边界。
Hugging Face BlogAI 评分5050 Hugging Face 发布 Smol2Operator：基于 SmolVLM2-2.2B 的后训练 GUI 智能体
Hugging Face 发布 Smol2Operator，用两阶段训练把无 GUI 定位能力的 SmolVLM2-2.2B-Instruct 变成能理解并操作图形界面的智能体。
OpenAI NewsAI 评分2222 SchoolAI 用 GPT-4.1 打造赋能教师的 AI 平台
SchoolAI 基于 GPT-4.1、图像生成和 TTS 构建安全、教师引导的 AI 工具，已服务超过 100 万间课堂，提升参与度、监督能力与个性化学习。
Hugging Face BlogAI 评分5050 Hugging Face 发布 mmBERT：基于 ModernBERT 的多语言编码器，覆盖 1800+ 语言
Hugging Face 发布 mmBERT，一个基于 ModernBERT 架构的多语言编码器模型，在超 3T token、1800 多种语言上训练，是首个在性能上超越 XLM-R 的多语言模型。base 版含 110M 非嵌入参数（总计 307M），采用三阶段训练与逆掩码率调度（30%→15%→5%），在 GLUE 和 XTREME 基准上显著领先 XLM-R 与 mGTE。
Hugging Face BlogAI 评分2222 Hugging Face 发布 FilBench：LLM 能否理解并生成菲律宾语？
Hugging Face 推出 FilBench 评测套件，覆盖文化知识、经典 NLP、阅读理解与生成四大类共 12 项任务，用于评估 LLM 在 Tagalog、Filipino 和 Cebuano 上的表现，并已评测 20+ 个 SOTA 模型。
Hugging Face Blog精选AI 评分6262 TRL 为视觉语言模型加入 MPO、GRPO、GSPO 对齐支持
Hugging Face 的 TRL 新增面向视觉语言模型的对齐方法支持，包括 Mixed Preference Optimization（MPO）、Group Relative Policy Optimization（GRPO）和 Group Sequence Policy Optimization（GSPO），并扩展 RLOO 与 Online DPO 到多模态场景。
推荐理由：TRL 把 MPO、GRPO、GSPO 等对齐方法扩展到视觉语言模型，并给出可直接运行的训练脚本与 notebook。
OpenAI News精选AI 评分8585 OpenAI 发布 GPT-5
OpenAI 发布 GPT-5，称其为目前最强的 AI 系统，在智能水平上较此前所有模型有显著跃升。GPT-5 在编码、数学、写作、健康、视觉感知等方面达到 SOTA 表现。
推荐理由：OpenAI 官方公布 GPT-5 的定位与能力覆盖范围，读者可据此了解其相对前代模型的升级方向。
Mistral AIAI 评分3838 Mistral 用 LoRA 微调 Pixtral-12B 提升卫星图像分类能力
Mistral 通过 LoRA 微调 Pixtral-12B，在 Aerial Image Dataset（AID）卫星图像分类任务上较基座模型显著提升，并减少了模型幻觉出的无效类别名。
Hugging Face BlogAI 评分5858 TimeScope：视频大模型能理解多长的视频？
TimeScope 是一个开源长视频理解基准，通过在 1 分钟到 8 小时的基础视频中插入 5-10 秒的短片段作为“针”，评测模型的局部检索、信息综合和细粒度时序感知三项能力。
Mistral AI精选AI 评分6262 Mistral 为 Le Chat 推出 Deep Research、语音模式等多项新功能
Mistral 为 Le Chat 上线一批新功能，包括预览版 Deep Research 模式、由新语音模型 Voxtral 驱动的语音模式、由推理模型 Magistral 支持的多语言推理、用于整理对话的 Projects，以及与 Black Forest Labs 合作的高级图像编辑。
推荐理由：Mistral 一次性为 Le Chat 补齐深度研究、语音、推理与图像编辑，读者可据此判断其产品线走向。
Hugging Face Blog精选AI 评分6262 Hugging Face 发布 SmolLM3：3B 多语言长上下文推理模型
Hugging Face 发布 SmolLM3，一个完全开源的 3B 模型，在 11T token 上训练，支持 think/no_think 双模式推理、6 种语言和最高 128k 上下文。
推荐理由：Hugging Face 公开了 SmolLM3 的完整训练配方与数据配比，读者可据此复现或改进 3B 级小模型的训练流程。