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。
Mistral AI 发布首个具身导航模型 Robostral Navigate，这是一个 8B 模型，仅用单个普通 RGB 相机、无需 LiDAR 或深度传感器，在 R2R-CE validation unseen 上达到 76.6% 成功率，比最佳单相机方案高 9.7 个百分点，比使用深度或多相机的最佳系统高 4.5 个百分点。
推荐理由：官方给出单目 RGB 相机在 R2R-CE 上的成绩与训练方法，可据此判断具身导航对传感器配置的依赖程度。
Hugging Face 与 Cerebras 联合演示了一套实时语音到语音流水线，用 Cerebras 加速 Gemma 4 31B 推理，以降低语音交互延迟。
推荐理由：原文给出了可复用的开源语音到语音流水线架构与各层组件，读者可据此评估实时语音交互的搭建方式。
Google DeepMind 发布 Nano Banana 2 Lite（gemini-3.1-flash-lite-image）和 Gemini Omni Flash（gemini-omni-flash-preview）两款模型。
推荐理由：两款新模型给出了延迟、单价与开放入口，读者可据此判断图像与视频生成链路的成本与可用性。
Google DeepMind 发布 Gemini 3.5 Live Translate，这是一款支持 70+ 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者的语调、节奏和音高。
推荐理由：Google 发布支持 70+ 语言的实时语音翻译模型，并给出开发者、企业、消费端三条落地路径。
Google DeepMind 发布 Gemma 4 12B，一款面向笔记本本地运行的多模态模型，采用无编码器统一架构，视觉与音频输入直接进入 LLM 主干。官方称其基准性能接近 26B MoE 模型，内存占用不到后者一半，可在 16GB 显存或统一内存的设备上运行，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，可对照其与 26B MoE 的性能差距。
Google 宣布扩展内容透明度与验证工具，把 SynthID 验证从 Gemini 应用扩展到 Search，并将在未来几周进入 Chrome；该验证功能已在全球被使用 5000 万次。
推荐理由：Google 把 SynthID 与 C2PA 验证铺到 Search、Gemini、Chrome 和 Pixel，读者可据此了解内容溯源工具的实际覆盖范围。
Google DeepMind 发布 Gemini 3.5 模型系列，首发 3.5 Flash，定位为面向智能体与编码的前沿模型，即日起通过 Gemini app、Google Search 的 AI Mode、Google Antigravity、Gemini API、Android Studio 及 Gemini Enterprise 等渠道开放。
推荐理由：官方给出 3.5 Flash 在编码与智能体基准上的成绩和开放入口，可据此判断速度与质量能否兼得。
Google DeepMind 宣布 AI co-clinician 研究计划，探索 AI 智能体在医生临床监督下协助患者诊疗。在 98 个真实初级保健查询的盲评中，该系统 97 例无关键错误，医生更偏好其回答而非现有证据综合工具；在 140 项问诊技能评估中，AI 在 68 项达到或超过初级保健医生水平，但专家医生在识别危险信号和指导关键体格检查上整体表现更好。
推荐理由：Google DeepMind 公开 AI co-clinician 研究计划，给出医生端与患者端两类评测结果，可了解医疗 AI 当前能力边界。
Google DeepMind 发布新一代文本转语音模型 Gemini 3.1 Flash TTS，主打更强的可控性、表现力与语音质量，已在 Gemini API 和 Google AI Studio 面向开发者预览、在 Vertex AI 面向企业预览，并通过 Google Vids 向 Workspace 用户开放。
推荐理由：官方给出 Elo 1,211 与多说话人、70+ 语言等能力，可据此判断语音生成的可控性提升。
Google DeepMind 发布 Gemini Robotics-ER 1.6，这是其面向机器人推理的模型升级版，重点增强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，并首次加入仪表读数能力，可据此判断机器人在巡检等场景的自主程度。
Google 发布 Vibe Coding XR 工作流，把 Gemini 与基于 WebXR 的 XR Blocks 框架结合，可将自然语言提示直接转成具备物理感知的 Android XR 应用，耗时不到 60 秒。
推荐理由：Google 把 Gemini 的长上下文推理接到 WebXR 框架上，读者可据此判断自然语言生成 XR 原型的可行边界。
Mistral AI 发布 Mistral Small 4，这是 Mistral Small 系列的新一代模型，首次把 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，采用 Apache 2.0 许可。
推荐理由：Mistral 把推理、多模态与编码能力合并进单一开源模型，并给出可配置推理强度与部署门槛。
Mistral AI 发布 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文档处理方案和 AI 原生 OCR 方案。
推荐理由：官方给出 OCR 3 相对上一代在表单、手写和复杂表格上的胜率与每千页定价，便于评估文档解析管线的替换成本。
Mistral 发布 Mistral 3 系列，包括 Mistral Large 3 和 3B、8B、14B 三个尺寸的 Ministral 3，全部以 Apache 2.0 许可开源。
推荐理由：Mistral 3 一次性放出 Large 3 与 Ministral 3 全系权重，读者可据此判断开源前沿模型与端侧小模型的当前分工。
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布局。
Mistral AI 发布 Mistral Medium 3，称其在多项基准上达到 Claude Sonnet 3.7 的 90% 或以上，成本为每百万 token 输入 0.4 美元、输出 2 美元。
推荐理由：官方给出 Mistral Medium 3 的定价、对标模型与部署门槛，可据此判断企业级模型的成本与落地条件。
Mistral AI 发布 Mistral Small 3.1，在 Mistral Small 3 基础上提升文本性能、多模态理解，并将上下文窗口扩展至 128k tokens，以 Apache 2.0 许可开源。
推荐理由：官方给出 Mistral Small 3.1 的基准对比、128k 上下文与单卡部署条件，可据此判断小模型选型。
Mistral AI 发布光学字符识别 API Mistral OCR，可把图片和 PDF 解析为有序交错的文本与图像，并已作为 Le Chat 的默认文档理解模型。
推荐理由：官方给出 Mistral OCR 的定价、基准对比与自托管选项，可据此判断它在文档解析与 RAG 流程中的位置。