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。
Introducing Gemini Omni 🔮........ Omni is our new model that can create anything from any input — starting with video (think Nano Banana but for video). Available in the Gemini App, Flow, and YouTube, with API support coming soon! Video
推荐理由：官方说明了 Gemini Omni 从任意输入生成内容的能力和首批视频场景，读者可据此了解当前可用渠道与范围。
推荐理由：Gemini app 把 AI 生成内容核验做成了对话式查询，读者可了解多模态内容溯源在应用内的落地方式。
推荐理由：Gemini 应用开放 Gemini Omni 视频创作，读者可从覆盖的订阅档位和入口判断自身是否可用。
推荐理由：原文给出 Gemini Omni 的输入方式与开放订阅档位，读者可据此判断视频创作门槛的变化。
谷歌在 2026 谷歌 I/O 开发者大会上宣布谷歌搜索迎来 25 年来最大改版，用 AI 全面重塑搜索入口与交互方式，由 Gemini 3.5 Flash 模型提供快速响应。
推荐理由：改版把 AI Mode、多模态输入与后台智能体一并纳入搜索入口，呈现搜索交互从关键词到完整需求的转向。
Google 的 Gemini Omni 支持用对话编辑视频，用户可在多轮提示中重新构想动作、改变视角或调整光线。每次指令都会基于上一条，让角色保持一致、物理表现成立，并让场景记住先前内容。
推荐理由：原文给出多轮对话编辑视频的交互方式，读者可以了解角色一致性和物理表现在连续指令下的处理。
Introducing Agora-1, a multi-agent world model. Multiple participants—human or AI—can now interact inside the same world simulation, all in real-time. Try our playable research preview today, with Agora-1 simulating a multiplayer GoldenEye deathmatch! Video
推荐理由：世界模型从单人视频生成扩展到多人实时共享模拟，读者可据此了解人机共处同一模拟世界的当前形态。
Google DeepMind 发布 Gemini Omni 系列首个模型 Gemini Omni Flash，可将图像、音频、视频和文本组合为输入生成高质量视频。
推荐理由：官方宣布 Omni 家族首个模型，列明对话式改视频、物理理解、多输入融合等能力与各端开放范围，可据此评估对视频创作流程的影响。
Google 宣布扩展内容透明与验证工具，SynthID 验证今日在 Search 上线，未来数周进入 Chrome，Gemini 应用的验证功能已被使用 5000 万次。
推荐理由：原文给出 SynthID 验证入口、C2PA 支持范围和合作方名单，读者可以对照自己的使用场景判断这些工具的实际覆盖。
Google DeepMind 发布 Gemini 3.5 模型系列，首个模型 3.5 Flash 当天全球可用，定位为面向智能体工作流与编码的旗舰级速度模型。
推荐理由：官方公布了 3.5 Flash 的基准成绩、发布渠道和 3.5 Pro 时间表，读者可以据此评估其智能体与编码能力变化。
1/5 MiniCPM-V 4.6 (1.3B) is now live 🚀🚀 High-res visual processing, optimized for consumer-grade and mobile hardware. We’ve leveraged the latest LLaVA-UHD v4 technique to cut vision encoding costs by 55%, enabling native edge deployment with extreme efficiency. 🔥 Beats Gemma4-E2B-it and Qwen3.5-0.8B across key multimodal and Artificial Analysis benchmarks — scoring higher than Qwen3.5-0.8B using just 2.5% of its token budget. ⚡ TTFT (75.7ms) 2.2x Faster than Qwen3.5-0.8B even with 3136² high-res images. 🏗️ ~1.5x Token Throughput compared with Qwen3.5-0.8B on a single RTX 4090. Try the model here: 🤗 Hugging Face: huggingface.co/openbmb/MiniC… 💻 GitHub: github.com/OpenBMB/MiniCPM-V 🔭 Modelscope: modelscope.cn/models/OpenBMB… 🌐 Web Demo: huggingface.co/spaces/openbm… 📱 App Demo: github.com/OpenBMB/MiniCPM-V… Video
推荐理由：官方给出 1.3B 小模型处理高分辨率图像的编码成本与吞吐数据，可供端侧多模态选型参考。
Runway 发布 Characters，基于 GWM-1 将单张参考图转为可实时对话的视频角色，无需微调，支持写实人像、卡通和吉祥物等风格。模型每帧有效耗时 37 毫秒，用户停止说话到角色开口的服务端延迟 1.75 秒；通过扩散变换器与 VAE 解码器流水线并行、KV-cache 管理、CUDA Graphs 和 Triton 核优化实现 24fps 实时生成。
推荐理由：官方技术博客拆解了实时管线的关键数字和系统优化，读者可以据此理解单图驱动的对话视频智能体的实现路径。
𝗦𝗲𝗻𝘀𝗲𝗡𝗼𝘃𝗮 𝗨1 𝗟𝗶𝘁𝗲 𝗦𝗲𝗿𝗶𝗲𝘀 𝗶𝘀 𝗻𝗼𝘄 𝗼𝗽𝗲𝗻 𝘀𝗼𝘂𝗿𝗰𝗲! Built on the 𝗡𝗘𝗢-𝘂𝗻𝗶𝗳𝘆 𝗮𝗿𝗰𝗵𝗶𝘁𝗲𝗰𝘁𝘂𝗿𝗲, it natively unifies multimodal understanding and generation, delivering: •𝗦𝗢𝗧𝗔 𝗘𝗳𝗳𝗶𝗰𝗶𝗲𝗻𝗰𝘆 𝗔𝗺𝗼𝗻𝗴 𝗢𝗽𝗲𝗻-𝗦𝗼𝘂𝗿𝗰𝗲 𝗠𝗼𝗱𝗲𝗹𝘀: Compact models (8B & A3B) delivering commercial-grade performance and exceptional cost efficiency. Leading performance among open-source models across a wide range of understanding, reasoning, and generation benchmarks. •𝗡𝗮𝘁𝗶𝘃𝗲 𝗜𝗺𝗮𝗴𝗲–𝗧𝗲𝘅𝘁 𝗜𝗻𝘁𝗲𝗿𝗹𝗲𝗮𝘃𝗲𝗱 𝗚𝗲𝗻𝗲𝗿𝗮𝘁𝗶𝗼𝗻: Generate coherent interleaved text and images in a single flow using one model; ideal for practical applications like guides, where visuals turn complex information into intuitive insights. •𝗛𝗶𝗴𝗵-𝗗𝗲𝗻𝘀𝗶𝘁𝘆 𝗜𝗻𝗳𝗼𝗿𝗺𝗮𝘁𝗶𝗼𝗻 𝗥𝗲𝗻𝗱𝗲𝗿𝗶𝗻𝗴: Strong capabilities in dense visual communication, generating richly structured layouts for knowledge illustrations, posters, PPTs, comics and other information-rich formats. 𝗛𝘂𝗴𝗴𝗶𝗻𝗴 𝗙𝗮𝗰𝗲: huggingface.co/collections/s… 𝗚𝗶𝘁𝗛𝘂𝗯: github.com/OpenSenseNova/Sen… 𝗗𝗶𝘀𝗰𝗼𝗿𝗱: discord.gg/cxkwXWjp @huggingface @github
推荐理由：SenseNova U1 Lite 以 8B、A3B 紧凑规模开源权重，读者可据此衡量自托管图文版式生成的成本门槛。
Google DeepMind 宣布 AI co-clinician 研究计划，探索在医生临床监督下以"三方诊疗"模式辅助患者。
推荐理由：官方给出评测细节与局限，专家医师在140项评估整体仍优于该系统，有助于客观看待医疗AI的进展与边界。
面壁智能联合 OpenBMB、清华大学 THUNLP 与 THUMAI 实验室发布 MiniCPM-o 4.5 技术报告，首次公开全双工全模态框架 Omni-Flow，并同步开放全模态全双工 API、在线 Demo、端侧安装包 Comni 与 Demo 仓库。
推荐理由：技术报告首次公开 Omni-Flow 的毫秒级时间轴对齐机制，读者可据此理解端到端全双工全模态的实现路径。
NVIDIA 发布开源全能多模态理解模型 Nemotron 3 Nano Omni 30B-A3B，在 OCRBenchV2-En 得分 65.8、MMLongBench-Doc 57.5，并新增音频与视频理解能力。
推荐理由：原文列出文档、视频与音频榜单成绩及吞吐对比，读者可据此判断该开源全能模型的能力边界。
Google DeepMind 发布 Gemini Robotics-ER 1.6，提升机器人在空间推理、多视角理解、任务规划和成功检测方面的能力，并新增仪表读数功能。
推荐理由：官方给出了与上一代的具体能力对比和仪表读数新用例，读者可据此评估其是否适配现有机器人方案。
Mistral AI 发布 4B 参数的文本转语音模型 Voxtral TTS，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 9 种语言，API 定价 $0.016 per 1k characters。
推荐理由：官方给出了与 ElevenLabs 对比的人类评测数据和低延迟指标，读者可据此评估其在语音 Agent 场景的可用性。
Mistral 发布 Mistral Small 4，将 Magistral 的推理、Pixtral 的多模态与 Devstral 的智能体编码能力统一到单一开源模型，采用 Apache 2.0 许可证。
推荐理由：官方公布了架构参数、reasoning_effort 用法和与 GPT-OSS 120B 的效率对比，可据此评估其开源部署价值。
Microsoft 推出 Copilot Health，这是 Copilot 内的独立安全空间，可整合健康记录、可穿戴设备数据与健康历史并生成个性化健康洞察。
推荐理由：官方宣布 Copilot Health 上线并给出数据整合规模、隐私隔离措施和分阶段开放方式，读者可以了解其功能边界与使用入口。