Google 发布行星预测引擎 PPE，用自然语言自动完成地理空间建模

Google 在 Earth AI 体系下推出实验性研究能力 PPE（planetary prediction engine），从自然语言查询出发自主完成地理空间预测的全流程，包括数据发现、清洗、特征工程、模型训练与评估。

Google DeepMind 发布 Gemini Omni 1.1 Flash，强化生成式视频创作控制

Google DeepMind 发布 Gemini Omni 1.1 Flash，为开发者提供一组创意控制和生成式视频能力，可通过 Google AI Studio 中的 Gemini API 使用。

Google 推出 GlucoFM：面向连续血糖监测的双流基础模型

Google 发布 GlucoFM，一个基于双流设计的自监督基础模型，将血糖的慢速基线趋势与短期波动分离，并保留时间与缺失信息。模型在 109,066 小时无标注 CGM 数据上预训练，覆盖四个队列、七项临床任务共 14 组评估，平均 PR-AUC 比最强 GluFormer 变体高 5.8 个百分点。

Z.ai@Zai_org精选AI 评分7272

智谱（Z.ai）发布 GLM-5.3-Flash，称具备有竞争力的价格与原生多模态能力，上下文窗口为 1M token，为 320B-A18B 模型并以 MIT License 开源权重。该模型此前曾以 Ox Alpha 名义预览，完全运行于中国 AI 芯片；现已在官方平台提供权重、API、Coding Plan、ZCode、Chat 和 AutoClaw 入口。

Google 研究 AgentHands：为 XR 中的智能体对话生成同步手势

Google 在 CHI 2026 发布研究原型 AgentHands，可将 LLM 的推理输出映射为 XR 中与语音同步的手势，让 AI 智能体在 3D 空间里用手演示而非仅靠语言描述。系统包含环境感知、手势事件库、手势嵌入推理和 XR 同步执行四个模块，手势按左右手、空间锚定、时序动效等维度分类。在 N=12 的用户研究中，AgentHands 相比纯语音基线在空间指向上取得显著提升。

Google Search 升级家居装饰的 5 种方式

Google Search 推出 5 种家居装饰用法：AI Mode 可上传房间照片，按墙面宽度推荐沙发并生成摆放效果图；Google Lens 拍照识别复古单品并找同款；Circle to Search 在 Pixel 和三星 Galaxy S26 上圈选视频或社交帖中的壁纸找相似款。

Google Research 如何用移动性数据让语言模型更深入理解地点

Google Research 提出 Mobility-Embedded POIs（ME-POIs）框架，将匿名聚合的移动性模式与文本描述结合，为地点生成同时编码身份与动态功能的嵌入向量。

DeepSeek@deepseek_aiAI 评分6060

DeepSeek 宣布实验性多模态模型 DeepSeek-V4-Flash-Vision-Exp 上线 DeepSeek API 平台，文本能力（含 Agent、推理、世界知识）与 DeepSeek-V4-Flash 持平。

Hugging Face 用三项测试量化语音识别中的基准优化现象

Hugging Face 提出三项测试量化 ASR 模型的基准优化（benchmaxxing）行为，评估 11 个开源模型后发现多个高分模型会复现 VoxPopuli 和 LibriSpeech 的错误参考转写。

DeepSeek 发布实验版多模态模型 DeepSeek-V4-Flash-Vision-Exp

DeepSeek 在 API 平台上线实验性多模态视觉理解模型 DeepSeek-V4-Flash-Vision-Exp，通过设置 model='deepseek-v4-flash-vision-exp' 即可调用。

Google 搜索推出 5 项 AI 学习工具：交互可视化、练习测验、Lens、笔记本与自定义文件

Google 宣布在 Search 的 AI Mode 和 AI Overviews 中推出 5 项学习工具。

Google AI Developers@googleaidevsAI 评分3030

从一句提示词到完整动画视差落地页。🤯 看看 Gemini 3.7 Flash 如何结合 Nano Banana 和 Omni，一次性构建交互式网站。底层上，3.7 Flash 会调用合适的工具来生成文案、图像参考，并渲染可用于视差的 Omni 视频。

Google AI Developers@googleaidevsAI 评分2626

用 Nano Banana 和 Gemini Omni 把网页变成交互式可视化百科。🌐✨ 我们在 @Antigravity 中用 Gemini 3.7 Flash 构建了一个 Chrome 扩展，让你在浏览时可以高亮任意文本，快速生成丰富的可视化释义，助力更深入的学习。 来看看演示 ↓

Google AI Developers@googleaidevsAI 评分2727

我们向 Gemini 3.7 Flash 输入了一本维多利亚时代植物插画书中的数百份 PDF，让它用现代 APG IV 分类系统提取并分类这些历史植物。🌳 💻 看看它如何在 @Antigravity 中构建的交互式可视化里，将自己的理解生动呈现：

Google Research 发布 PhotoScan：用智能手机照片估算身体成分并预测胰岛素抵抗

Google Research 提出 PhotoScan，一种从标准 2D 手机照片估算体脂率、A/G 比和 V/S 比等三维身体成分指标的深度学习框架，在 677 人 PhotoBIA 队列 5 折交叉验证中 BF% 平均 MAE 为 2.15，优于 BIA 的 2.91。

OpenRouter 教程：如何通过 API 向大语言模型发送图片

OpenRouter 发布视觉输入教程，讲解通过 Chat Completions API 向支持视觉的模型发送图片，请求体只需在 content 数组中加入 text 和 image_url 两部分，切换模型仅改 model 字段。

Google 开源 C++ 库 Credentio，用于本地验证 C2PA Content Credentials

Google 发布开源 C++ 库 Credentio，用于处理 C2PA Content Credentials，先支持规范 2.2 和 2.4 版本。该库支持完全本地验证，无需将媒体文件传到云端，零带宽开销、即时返回结果并保持数据隐私；验证大文件时内存占用较小，可配置官方或自定义 C2PA 信任列表，深入解析清单、断言、数字签名和声明结构，并给出详细的验证报告。

MindTopo：微软推出评估多模态模型拓扑推理能力的新基准

微软研究院发布 MindTopo 基准，用于评估多模态大语言模型在连通性、封闭、顺序、分离和绳结五类拓扑关系上的推理与规划能力。测试显示，当前专有与开源模型在静态识别上表现明显优于交互式规划，且均远低于人类水平，失败多出现在规划阶段而非感知阶段。图像与视频生成工具仅在单帧内保留结构关系时有用，跨多步操作仍不可靠。

Suno Studio 2.0 发布，面向 Premier 订阅者新增 MIDI 编辑与自动化等功能

Suno 发布 Studio 2.0，现向 Premier 订阅者开放。新增时间线 MIDI 导入、录制与编辑，可用 MIDI 剪辑作为生成提示词，附带新的 wavetable 合成器；另推出 Chat bar（beta）协作创作、高级 stem 分离、音频效果与自定义插件、自动化曲线，并支持无损导出 32-bit/48kHz 多轨与 stems。插件创建目前不消耗 credits。

Google DeepMind 发布手语转文本模型 SL2T，率先在 Pixel 11 的 Gboard 和 Live Transcribe 中支持 ASL

Google DeepMind 发布多语言手语转文本（SL2T）模型，首次将手语 AI 用于消费产品，在 Pixel 11 的 Gboard 和 Live Transcribe 中支持 ASL 转英文，后续将扩展更多语言和设备。

Google Research 推出 AMIE (Video)：实现实时音视频临床问诊，表现达到专科医生水平

Google Research 发布 AMIE (Video)，基于 Gemini 和 Project Astra 构建实时视频临床问诊系统，采用 Talker、Planner、Perception 三个并行智能体的异步架构。

Microsoft Research 发布 CARE-X 胸部 X 光视觉语言模型

Microsoft Research 发布研究模型 CARE-X，统一支持胸部 X 光报告生成、疾病分类、定位和校准诊断预测，基于 SigLIP2-so400M 与 Phi-4-mini-instruct (3.8B)，采用三阶段 SFT 加 DAPO 强化学习训练。

Meta 发布开源多模态模型 Muse Glimmer-30B，主打本地智能体场景

Meta 发布从 Muse 蒸馏而来的 30B 多模态模型 Muse Glimmer，采用 Apache 2.0 许可，面向本地隐私场景的智能体用途。模型由 2B ViT 视觉编码器和 28B 文本解码器组成，支持图像、视频、多模态工具调用和目标检测，并附带基于 DFlash 的可选投机解码。

Google DeepMind 开源 WeatherNext 气旋预报模型，Nature 论文显示精度领先一天

Google DeepMind 发表 Nature 论文并开源 WeatherNext 2 与 WeatherNext Cyclones 模型，单模型以 SOTA 精度预测气旋路径、强度和风结构，平均多出 24 小时提前量，相当于约十年气象学进步。

Mistral AI 开源 3B 多模态安全分类器 Shieldstral

Mistral AI 发布开源多模态安全分类器 Shieldstral，权重 3B，采用 Apache 2.0 协议。模型将内容审核改写为推理时的问答任务，用户用自然语言给出政策，无需重训即可适配文本、图像和 prompt–response 对的审核。

Runway Characters 登上 SIGGRAPH 2026 实时直播舞台

Runway 的 Characters 入选 SIGGRAPH 2026 的 Real-Time Live! 环节，团队在数千名图形学专家面前现场演示了从单张图片实时生成可对话角色。

Google DeepMind 发布 Gemini Robotics ER 2 具身推理模型，新增视频理解与多机器人协作

Google DeepMind 发布 Gemini Robotics ER 2 具身推理模型，可通过连续视频流追踪任务进度、编排多步任务，并支持多机器人协作，将运动执行交给下层 VLA 模型。

Kimi.ai@Kimi_MoonshotAI 评分4040

Kimi 发布 PerceptionBench，一个将视觉感知拆解为原子能力来单独评测的基准。团队从 42 个基准上的前沿模型失败案例中归纳出 10 项原子感知能力，构建了 3,000 道经核验的题目，每题只考察单一能力，仅凭观察即可作答，无需推理或外部知识。

Runway 发布 Media Router，为视频、图像和音频生成模型自动选型

Runway 推出 Runway Media Router，称其为首个面向生成式媒体模型的路由功能，已在 Runway Dev 上线，支持视频、图像和音频模型。用户设定成本、质量、延迟偏好及价格上限、允许和拒绝列表等约束后，只调用一个端点，路由器会筛选并评分选出最优模型，返回结果及所用模型的元数据；无模型满足约束时报明确错误，生产前可用 dry-run 验证选型且不产生费用。

Microsoft AI 发布 MAI-Image-2.5-Pro 和 MAI-Voice-2-Flash 公开预览版

Microsoft AI 发布 MAI-Image-2.5-Pro 和 MAI-Voice-2-Flash，两款模型均进入公开预览。

Google 承诺 4000 万美元 AI tokens 与云 credits 支持美国 Genesis Mission

Google 在 DOE Genesis Mission Summit 2026 上宣布投入 4000 万美元 AI tokens 和云 credits，支持 Genesis Mission 的研究人员。

Google DeepMind 发布 Gemini 3.6 Flash、3.5 Flash-Lite 和 3.5 Flash Cyber

Google DeepMind 发布三款 Gemini 模型：3.6 Flash 在 Artificial Analysis Index 上输出 token 用量比 3.5 Flash 减少 17%。

OpenRouter：一个 API 打通图像、视频、音频、嵌入与转录全模态

OpenRouter 宣布可用单一 OpenAI 兼容 base URL 调用图像、视频、音频、嵌入和转录等全部模态，切换模态只需改模型字符串和内容类型。

Hugging Face 发布 Real World VoiceEQ 基准，用人类评分衡量语音 AI 的人类化质量

Hugging Face 团队推出 Real World VoiceEQ 基准，评估语音交互的人类化质量，覆盖 40 多个专有和开源语音模型、15+ 维度和 60 多项指标，涉及 ASR、TTS、S2S 和语音理解。

Hugging Face 发布 Thinking Machines 多模态开源模型 Inkling 使用指南并推出 Inkling-Small

Thinking Machines 的开源多模态模型 Inkling 上线 Hugging Face，总参数 975B（激活 41B），原生接收图像、文本和音频输入，支持 1M 上下文和 1M token 训练语料中的 45 万亿 token 多模态训练，同日推出 276B 总参数、12B 激活参数的 Inkling-Small。

Mistral AI 发布 Robostral Navigate：8B 具身导航模型，单 RGB 相机在 R2R-CE 达 76.6%

Mistral AI 发布首个具身导航模型 Robostral Navigate，8B 参数，仅用单个普通 RGB 相机和自然语言指令即可让机器人在复杂环境中自主导航，在 R2R-CE validation unseen 达到 76.6% 成功率，领先最佳单相机方案 9.7 分、领先使用深度或多相机方案 4.5 分。

OpenRouter 实测图像 detail 参数：推理模型用 low 更贵更差

OpenRouter 在 MMMU-Pro Vision（1,730 题）上基准测试 OpenAI 和 Google 五款模型的图像 detail 设置，发现 gpt-5.5 用 low 比 auto 低 13.8 分（65.2% vs 79.0%）且每题更贵（5.1¢ vs 4.5¢），原因是模型为看清热压缩图像多花 1.6x 推理 token。

LeRobot v0.6.0 发布：世界模型策略、奖励模型 API 与六大仿真基准

Hugging Face LeRobot 团队发布 v0.6.0，引入 VLA-JEPA、LingBot-VA、FastWAM 三个世界模型策略，新增 GR00T N1.7、MolmoAct2、EO-1 等 VLA，以及 Robometer、TOPReward 奖励模型和统一奖励 API。

Google DeepMind 发布 Nano Banana 2 Lite 图像模型并向开发者开放 Gemini Omni Flash

Google DeepMind 推出图像模型 Nano Banana 2 Lite（gemini-3.1-flash-lite-image），文生图延迟 4 秒。

Google DeepMind 将 computer use 内置到 Gemini 3.5 Flash

Google DeepMind 宣布 computer use 成为 Gemini 3.5 Flash 的内置工具，此前该能力仅由独立的 Gemini 2.5 computer use 模型提供。