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。
Microsoft AI 发布实时流式转写模型 MAI-Transcribe-2-Streaming，在 Artificial Analysis 的最终与部分转写准确率均排名第一，支持 60 种语言，接收到音频后约 100ms 内产出首个 partials，内部评测显示实时听写场景出词速度比最接近的竞品快 2x，年底前 introductory 价 $0.54 每小时音频。
推荐理由：官方公布三款语音模型的具体定价、延迟数字和 Artificial Analysis 排名，可据此评估搭建语音智能体的成本与速度。
Microsoft Research 推出 Quine，一个面向生物学的多模态世界模型与交互式 harness，连接科学工具、文献和研究人员。在与 Broad Institute 合作中，Quine 用于预测可驱动胰腺癌肿瘤细胞状态转变的化合物，排名第一的候选化合物在湿实验中产生了最大的预期细胞状态转变，从缩小化合物范围到确定候选名单仅用了一个周末。
推荐理由：官方披露了系统构成和胰腺癌湿实验验证结果，读者可以据此评估AI世界模型在生物研究中的实际作用。
clem 🤗@ClementDelangue精选AI 评分7777So excited to welcome @theworldlabs and @drfeifei to the @AMD family! I’ve always been a huge fan of Fei-Fei and her pioneering research in AI. Together, we’ll combine World Labs’ deep expertise in AI and world models with AMD’s compute leadership to power the future of AI and strengthen the open AI ecosystem. Can’t wait for all we’ll accomplish!
推荐理由：AMD 收购 World Labs 与李飞飞的消息结合 World Labs 专注世界模型与开放生态的定位，读者可了解这次结合对 AI 开源生态的影响。
inclusionAI 在 Hugging Face 发布 Ming-flash-omni Preview，基于 Ling-Flash-2.0 稀疏 MoE 架构，总参数 100B、每 token 激活 6B。
推荐理由：原文给出稀疏 MoE 架构、生成式分割和方言语音识别等具体改进与评测数字，读者可对比其多模态能力变化。
Google DeepMind 发布 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 两款文本转语音模型，支持用自然语言提示词设计角色声音、30 秒音频样本复刻声音，并逐行指挥表演。
推荐理由：原文给出两个 TTS 模型的定位差异、基准成绩和开放渠道，读者可据此评估语音生成工作流的选型。
Google AI@GoogleAI精选AI 评分7474Google AI 发布 Gemini 3.8 Live 和 3.8 Live Extended Thinking 两款语音模型。
推荐理由：原文分述两款语音模型的能力差异与使用场景，读者可据此判断选型方向。
Google 宣布其语言技术已覆盖 300 多种语言、服务超 70 亿人，占全球人口 86%。Gemini 3.5 Live Translate 支持 70 种语言。
推荐理由：官方梳理了从实时翻译到无障碍设计的语言 AI 布局，并给出各产品的覆盖语言数和合作项目，可作了解现状的参考。
SiliconFlow@SiliconFlowAI精选AI 评分6767
推荐理由：原文给出 DeepSeek-V4.1-Flash 的参数结构、上下文长度和开源协议，读者可据此评估其部署与成本价值。
Hugging Face 团队用 gr.Workflow 将 AUTOMATIC1111 的主要功能重建为 Workflow1111，画布包含 11 条媒体管线。
推荐理由：原文拆解了 11 条媒体管线和 73 个节点的具体构成，展示了 Gradio Workflow 混搭多模型并自动生成 REST 与 MCP 端点的做法。
DeepSeek 正式发布 DeepSeek-V4.1-Flash，是全新模型结构系列中最小尺寸模型，具备原生多模态视觉理解能力，设计目标是能力上限更高、推理更快、吞吐更大。
推荐理由：官方公布了新结构系列最小模型的多项基准成绩和 API 迁移方式，开发者可据此评估切换成本与价格变化。
Suno 发布 v6 新一代音乐模型，与 Warner Music Group、BMG、Believe 等行业伙伴合作开发，并最终以下一代模型替换旧模型。
推荐理由：原文由官方给出三档模型分工与具体编辑能力示例，读者可以据此判断新工作流是否适合自己。
Google Research 与 HHMI Janelia、MRC 分子生物学实验室及剑桥大学等合作，在 Cell 发表雄性果蝇大脑和中央神经系统的完整连接组，包含超 166,000 个神经元和 1.25 亿个突触连接，是迄今按神经元数量计最大的脑图谱。
推荐理由：由参与方介绍完整雄性果蝇连接组，读者可了解其规模、AI 重建方法及对后续脑映射研究的用途。
Google DeepMind 与 Google Research 发布 WeatherNext 3，称其为最先进准确的全球 AI 天气模型。模型直接学习实时卫星数据和气象站观测，逐小时产出最高 5 公里分辨率预报，精度约为 WeatherNext 2 的五倍；中期降水预报 CRPS 相对 IMERG 提升最高 60%。
推荐理由：官方介绍了新模型的分辨率、逐小时更新和降水精度提升，并说明其在 Google 各产品中的落地方式，读者可评估对天气相关业务的应用价值。
Google DeepMind 在 Gemini 3.7 Flash、3.6 Flash 和 3.5 Flash-Lite 上推出 agentic video understanding，动态检索视频片段以替代固定帧率处理，token 消耗最多降 88%，成本最多降 66%，准确率最多提升 7%。
推荐理由：官方给出 token、成本与准确率的具体降幅和开启方式，长视频处理场景下可评估是否切换处理模式。
Runway 发布 Solaris，定位为 Interface World Model 系列的首个模型，基于 Gen-4.5 改造，逐帧实时生成应用和网站界面，无需代码等中间表示。用户研究显示 250 名参与者约 7500 次成对评判中，61% 偏好其遵循指令（对比编码界面的 24%），71% 认为交互更自然；文本渲染、长会话一致性和无障碍集成仍是待解难题，现已开放早期访问申请。
推荐理由：官方详细说明了实时生成的原理、与 Claude Opus 5 的对比数据和遗留短板，读者可以据此判断这类界面生成模型的实际边界。
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。
推荐理由：官方披露了场景扩展、首末帧插值、4K 放大等具体能力与可用入口，便于开发者评估是否迁移现有视频生成工作流。
Z.ai@Zai_org精选AI 评分7272
推荐理由：官方公告同时给出价格定位、开源权重和芯片适配信息，读者可以据此评估它在现有工作流中的替换可能。
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。
推荐理由：原文给出三种可量化的探针方法，让读者能据此区分语音模型的真实转写能力与针对基准的拟合行为。
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。
推荐理由：官方公布了多模态 Agent 基准成绩和调用方式，读者可据此判断其视觉 Agent 能力在现有模型中的位置。
Google 宣布在 Search 的 AI Mode 和 AI Overviews 中推出 5 项学习工具。
推荐理由：原文列出了五项学习功能各自的入口、覆盖范围和上线节奏，读者可以据此了解 Google 搜索在 AI Mode 里的教育能力布局。