Thinking Machines 发布 Inkling 与 Inkling-Small 开源多模态模型
Thinking Machines Lab 在 Hugging Face 发布 Inkling 系列开源多模态大模型，Inkling 为 975B 总参数、41B 激活参数的 MoE 模型，原生接受图像、文本和音频输入，支持 1M 上下文。
推荐理由：首个约1T参数、1M上下文的开源原生多模态模型，附完整部署配置与基准对比可供参考。
#模型发布
#模型发布
今日 5 条Hugging Face Blog精选AI 评分8282
Google DeepMind精选AI 评分7878 Google DeepMind 发布 Nano Banana 2 Lite 与 Gemini Omni Flash
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：两款模型给出明确的延迟、单价与可用入口，读者可据此判断图像与视频生成流水线的成本变化。
Interconnects · Nathan LambertAI 评分3636 开源模型生态新格局：Zyphra、Cohere 与 Poolside 扩展版图
最新一批开源模型发布显示生态日趋多元：Cohere 旗舰 Command A+ 以 Apache 2.0 开源，218B-A25B MoE 架构可在单张 B200 上以 4-bit 运行；Poolside 的 Laguna-M.1 同样采用 Apache 2.0，并宣布开源权重成为其默认发布方式。
Hugging Face BlogAI 评分4545 PP-OCRv6 上线 HF Mirror：1.5M 到 34.5M 参数、支持 50 种语言
PaddleOCR 的 PP-OCRv6 已在 HF Mirror 上线，提供 tiny、small、medium 三档模型，参数规模从 1.5M 到 34.5M，其中 medium 和 small 单模型支持 50 种语言。
Hugging Face Blog精选AI 评分8282 智谱发布 GLM-5.2：面向长程任务，1M 上下文与 MIT 开源
智谱发布旗舰模型 GLM-5.2，主打长程任务，首次提供稳定的 1M token 上下文，并采用 MIT 开源许可且无地域限制。官方称其架构引入 IndexShare，每 4 层稀疏注意力共享同一 indexer，在 1M 上下文下把每 token FLOPs 降低 2.9×，MTP 层改进使投机解码接受长度最高提升 20%。
推荐理由：官方给出 1M 上下文在长程编码任务上的实测栈位、架构改动与 MIT 开放权重，可据此判断开源模型的长任务能力边界。
Google DeepMind精选AI 评分6767 Google DeepMind 发布 DiffusionGemma：文本扩散模型推理最高提速 4 倍
Google DeepMind 发布实验性开源模型 DiffusionGemma，采用文本扩散方式一次性生成 256 个 token，在专用 GPU 上文本生成最高提速 4 倍，单张 NVIDIA H100 上超过 1000 tokens/秒，RTX 5090 上超过 700 tokens/秒。
推荐理由：官方给出 4x 推理加速的实测数字与本地低并发场景边界，读者可据此判断它适合哪些交互式工作流。
Google DeepMind精选AI 评分8080 Google DeepMind 发布 Gemini 3.5 Live Translate 语音翻译模型
Google DeepMind 发布音频模型 Gemini 3.5 Live Translate，支持 70 多种语言的近实时语音到语音翻译，能自动检测语言并保留说话人的语调、节奏和音高。
推荐理由：Gemini 3.5 Live Translate 把语音翻译从轮流应答改为连续输出，并给出开发者、企业与普通用户的接入路径。
Google DeepMind精选AI 评分8080 Google DeepMind 发布 Gemma 4 12B 无编码器多模态模型
Google DeepMind 发布 Gemma 4 12B，一款面向笔记本的 12B 多模态模型，性能接近 26B MoE 模型，可在 16GB VRAM 或统一内存上本地运行。
推荐理由：Gemma 4 12B 去掉视觉与音频编码器，16GB 内存即可本地跑，可看轻量多模态模型的新做法。
Hugging Face BlogAI 评分3939 NVIDIA 发布 Nemotron 3.5 Content Safety：面向企业 AI 的可定制多模态安全模型
NVIDIA 发布 Nemotron 3.5 Content Safety，基于 Gemma 3 4B IT 微调，单次推理即可统一处理多模态输入、多语言、自定义企业策略与可审计推理。
Hugging Face Blog精选AI 评分7272 H Company 发布 Holo3.1 计算机操作智能体模型家族
H Company 发布 Holo3.1 模型家族，共四个尺寸（0.8B、4B、9B、35B-A3B），并首次提供 FP8、Q4 GGUF、NVFP4 量化权重用于本地推理。
推荐理由：原文给出多尺寸模型与量化权重，以及移动端和跨框架的基准变化，可供判断本地 computer-use 智能体的落地成本。
Hugging Face BlogAI 评分4444 JetBrains 发布 Mellum2：12B 参数 MoE 模型，Apache 2.0 开源
JetBrains 发布 Mellum2，一个从零训练、总参数 12B、每 token 仅激活 2.5B 的 MoE 模型，面向自然语言与代码任务，采用 Apache 2.0 许可证开源。官方称其推理速度比同规模模型快 2 倍以上，可用于路由、RAG、摘要、子智能体及私有化部署。模型已上线 Hugging Face，完整技术报告同步发布。
Hugging Face BlogAI 评分3232 OlmoEarth v1.1 发布：更高效的地球观测模型系列
Hugging Face 发布 OlmoEarth v1.1 地球观测模型系列，通过将 Sentinel-2 各分辨率合并为单一 token 缩短序列长度，在保持 v1 性能的同时将计算成本最多降低 3 倍。该系列提供 Base、Tiny、Nano 三种规模，权重与训练代码均已开放，部分任务存在性能回退。
Hugging Face BlogAI 评分5252 Ettin Reranker 系列发布六个 CrossEncoder 重排模型
作者发布六款 Sentence Transformers CrossEncoder 重排模型（17m、32m、68m、150m、400m、1b），基于 Ettin ModernBERT 编码器，采用对 mixedbread-ai/mxbai-rerank-large-v2 打分的逐点 MSE 知识蒸馏训练。
Google DeepMind精选AI 评分8080 Google DeepMind 发布 Gemini Omni 系列首个模型 Gemini Omni Flash
Google DeepMind 发布 Gemini Omni 系列首个模型 Gemini Omni Flash，可组合图像、音频、视频和文本输入生成高质量视频，并通过自然语言对话编辑视频。
推荐理由：Gemini 首个 Omni 系列模型发布，多模态输入加对话式视频编辑的入口值得关注。
Google DeepMind精选AI 评分8686 Google DeepMind 发布 Gemini 3.5 系列并首发 3.5 Flash
Google DeepMind 发布 Gemini 3.5 系列模型，首发 3.5 Flash，主打智能体与编码的前沿性能。
推荐理由：Gemini 3.5 Flash 在编码与智能体基准上超过 3.1 Pro，且输出速度达其他前沿模型 4 倍，读者可据基准与速度数据判断其性价比。
Hugging Face BlogAI 评分4949 Granite Embedding Multilingual R2 发布：Apache 2.0 多语言嵌入模型，32K 上下文
Hugging Face 发布 Granite Embedding Multilingual R2 两款 Apache 2.0 多语言嵌入模型，均基于 ModernBERT。
Hugging Face Blog精选AI 评分6464 IBM 发布 Granite 4.1 系列 LLM 并详解训练流程
IBM Granite 团队发布 Granite 4.1 系列稠密解码器 LLM，包含 3B、8B、30B 三个规模，基于约 15T token 训练，采用五阶段预训练流程并将上下文窗口扩展至 512K token，全部以 Apache 2.0 许可开源。
推荐理由：原文披露了 Granite 4.1 从预训练到多阶段 RL 的完整训练配方，以及 8B 稠密模型追平上一代 32B-A9B MoE 的对比结果。
Hugging Face Blog精选AI 评分7474 NVIDIA 发布 Nemotron 3 Nano Omni：面向文档、音频与视频智能体的长上下文全模态模型
NVIDIA 发布 Nemotron 3 Nano Omni 全模态理解模型，在文本、图像基础上加入原生音频与视频理解，覆盖文档分析、语音识别、长音视频理解、GUI 智能体和通用多模态推理五类任务。
推荐理由：原文给出了架构细节、多模态基准成绩与吞吐数据，读者可据此判断开源全模态模型在文档、音视频与 GUI 智能体场景的可用性。
Hugging Face Blog精选AI 评分8080 DeepSeek-V4 发布：百万 token 上下文面向智能体长任务
DeepSeek 发布 V4，Hub 上有 DeepSeek-V4-Pro（1.6T 总参数、49B 激活）和 DeepSeek-V4-Flash（284B 总参数、13B 激活）两个 MoE checkpoint，均支持 1M-token 上下文窗口。
推荐理由：原文拆解了 V4 混合注意力与工具调用后训练设计，可判断长上下文智能体工作负载的成本取舍。
Google DeepMind精选AI 评分6565 Google DeepMind 发布 Gemini 3.1 Flash TTS 语音模型
Google DeepMind 发布文本转语音模型 Gemini 3.1 Flash TTS，提升了可控性、表现力和语音质量，在 Artificial Analysis TTS 排行榜上取得 1,211 的 Elo 分数。
推荐理由：官方给出 Elo 1211 的排行榜成绩与音频标签控制方式，可据此判断语音生成的可控性进步。
Google DeepMind精选AI 评分7171 Google DeepMind 发布 Gemini Robotics-ER 1.6
Google DeepMind 发布 Gemini Robotics-ER 1.6，这是其面向机器人的推理优先模型的一次重大升级，增强了空间推理与多视角理解，并新增仪表读数能力。
推荐理由：官方给出新版本在空间推理、成功检测与仪表读数上的能力变化，以及 API 与 AI Studio 的开放入口。
Hugging Face Blog精选AI 评分6262 Overworld 发布实时视频世界模型 Waypoint-1.5
Overworld 发布新一代实时视频世界模型 Waypoint-1.5，在 RTX 3090 至 5090 等桌面硬件上可生成最高 720p、60 FPS 的实时环境，并新增面向更广泛消费级硬件的 360p 档位。
推荐理由：Waypoint-1.5 用 720p/360p 双档位和消费级硬件本地运行把实时世界模型从演示推向可用。
Google DeepMind精选AI 评分8484 Google DeepMind 发布 Gemma 4 开源模型家族
Google DeepMind 发布 Gemma 4 开源模型家族，包含 E2B、E4B、26B MoE 和 31B Dense 四个规格，采用 Apache 2.0 许可。
推荐理由：Gemma 4 给出四种规格、Apache 2.0 许可与 Arena 排名，可据此判断开源模型在本地与端侧的可用边界。
Hugging Face Blog精选AI 评分8686 Google DeepMind 发布 Gemma 4 多模态模型家族
Google DeepMind 在 HF 发布 Gemma 4 多模态模型家族，采用 Apache 2.0 许可，支持图像、文本和音频输入并生成文本。模型提供 E2B、E4B、12B Unified、31B 和 26B A4B 五个尺寸，最大上下文窗口 256K，其中 12B Unified 去掉独立视觉与音频编码器，直接把原始图像块和音频波形投影到 LLM 嵌入空间。
推荐理由：Gemma 4 五档模型覆盖端侧到 MoE，附各推理引擎与微调工具链的接入方式，可据此判断本地部署路径。
Hugging Face Blog精选AI 评分6565 TII 发布 Falcon Perception 感知模型与 Falcon OCR
TII 的 Falcon Vision 团队发布 Falcon Perception，一个 0.6B 参数的早期融合 Transformer，用自然语言提示做开放词表定位与分割，图像与文本从第一层起共享参数。
推荐理由：原文用 SA-Co 与自建 PBench 的分数拆解了早期融合单骨干相对模块化流水线的收益与短板。
Hugging Face Blog精选AI 评分6060 IBM 发布 Granite 4.0 3B Vision 文档理解多模态模型
IBM 发布 Granite 4.0 3B Vision，一款面向企业文档理解的紧凑型视觉语言模型，以 LoRA 适配器形式挂载在 Granite 4.0 Micro 之上，在 Hugging Face 以 Apache 2.0 许可开放。
推荐理由：IBM 以 LoRA 适配器形式发布 3B 文档视觉模型，并给出图表与表格抽取的对比基准，便于判断小模型在企业文档场景的可用性。
Google DeepMind精选AI 评分7272 Google DeepMind 发布 Gemini 3.1 Flash Live 语音模型
Google DeepMind 发布音频与语音模型 Gemini 3.1 Flash Live，称其精度更高、延迟更低，已在 Gemini Live API（Google AI Studio 预览）、Gemini Enterprise 客户体验版、Search Live 和 Gemini Live 上线。
推荐理由：官方给出语音模型在多项音频基准上的分数与覆盖入口，可据此判断语音智能体的可用度。
Google DeepMind精选AI 评分7272 Google DeepMind 发布 Lyria 3 Pro 音乐生成模型
Google DeepMind 发布 Lyria 3 Pro，可生成最长 3 分钟的音乐，并能识别前奏、主歌、副歌和桥段等结构性元素。
推荐理由：Lyria 3 Pro 把单次生成时长提升到 3 分钟并支持曲式分段提示，读者可了解音乐生成在结构与产品接入上的变化。
Hugging Face Blog精选AI 评分6565 H Company 发布 Holotron-12B 高吞吐 computer-use 智能体模型
H Company 发布 Holotron-12B，一个基于 NVIDIA Nemotron-Nano-2 VL 后训练的多模态 computer-use 模型，已在 Hugging Face 以 NVIDIA Open Model License 开放。
推荐理由：Holotron-12B 给出混合 SSM 架构在 Agent 长上下文并发下的吞吐对比，可据此判断 computer-use 模型的部署取舍。
Google DeepMind精选AI 评分7474 Google DeepMind 发布 Gemini 3.1 Flash-Lite，主打高性价比
Google DeepMind 发布 Gemini 3 系列中最快、最具成本效率的模型 Gemini 3.1 Flash-Lite，今日起通过 Gemini API 在 Google AI Studio 面向开发者预览，企业可通过 Vertex AI 使用。
推荐理由：原文给出价格、速度与基准分数，可判断这款轻量模型在高频工作负载中的取舍。
Google DeepMind精选AI 评分8282 Google DeepMind 发布 Nano Banana 2（Gemini 3.1 Flash Image）图像模型
Google DeepMind 发布 Nano Banana 2（Gemini 3.1 Flash Image），把 Nano Banana Pro 的先进世界知识、推理与画质带到 Flash 级速度，可调用 Gemini 知识库与网页搜索实时信息渲染特定主体，并支持图内文字渲染与翻译。
推荐理由：官方给出 Nano Banana 2 相对前代的能力清单与全线产品入口，便于判断速度与保真度取舍。
Google DeepMind精选AI 评分7575 Google DeepMind 发布 Gemini 3.1 Pro，ARC-AGI-2 得分 77.1%
Google DeepMind 于 2 月 19 日发布 Gemini 3.1 Pro，定位为面向复杂任务的核心推理升级版，在 ARC-AGI-2 上取得 77.1% 的已验证得分，超过 3 Pro 推理表现的两倍。
推荐理由：官方给出 ARC-AGI-2 的 77.1% 得分与多产品线开放范围，可据此判断核心推理能力的提升幅度。
Google DeepMind精选AI 评分7777 Gemini 3 Deep Think 升级：面向科研与工程推理
Google DeepMind 发布 Gemini 3 Deep Think 的重大升级，这一专用推理模式面向科学、研究与工程难题。
推荐理由：官方给出了 Gemini 3 Deep Think 在多项学术与竞赛基准上的成绩，并首次开放 Gemini API 早期访问。
Hugging Face BlogAI 评分4646 H Company 新模型 Holo2-235B-A22B Preview 登顶 UI 定位榜
H Company 发布迄今最大的 UI 定位模型 Holo2-235B-A22B Preview，在 Screenspot-Pro 上取得 78.5% 的 SOTA 成绩，OSWorld G 达 79.0%，已上线 Hugging Face。
Hugging Face Blog精选AI 评分7474 Overworld 发布实时交互视频扩散模型 Waypoint-1
Overworld 发布实时交互视频扩散模型 Waypoint-1，可通过文本、鼠标和键盘控制，权重已在 Hugging Face Hub 上线，Waypoint-1-Small 可用，Medium 版即将推出。
推荐理由：Waypoint-1 把交互式世界模型的训练重点放在零延迟控制上，并公布推理库与运行性能数据，可据此判断实时视频生成的落地条件。
Google DeepMind精选AI 评分6060 Google DeepMind 发布 D4RT 统一 4D 场景重建与追踪模型
Google DeepMind 发布 D4RT（Dynamic 4D Reconstruction and Tracking），用统一的编码器-解码器 Transformer 加查询机制，把点追踪、点云重建和相机位姿估计等 4D 任务收敛到单一框架。
推荐理由：官方给出的效率数据与统一查询架构，可用来对照此前需要多模型拼凑的 4D 重建流程。
Hugging Face Blog精选AI 评分6868 NVIDIA 发布 Cosmos Reason 2，面向物理 AI 的开源推理视觉语言模型
NVIDIA 发布面向物理 AI 的开源推理视觉语言模型 Cosmos Reason 2，提供 2B 和 8B 两种参数规模，在 Physical AI Bench 和 Physical Reasoning 榜单上位列开源模型第一。
推荐理由：Cosmos Reason 2 给出 2B/8B 开源权重的具体升级项与评测数据，可据此判断物理 AI 推理模型的当前水位。
Hugging Face BlogAI 评分4242 Falcon-H1-Arabic 发布：混合 Mamba-Transformer 架构的阿拉伯语模型系列
阿联酋 TII 发布 Falcon-H1-Arabic 阿拉伯语模型系列，含 3B、7B、34B 三个参数规模，基于 Falcon-H1 混合架构，在每个 block 内并行运行 Mamba 状态空间模型与 Transformer 注意力。
Google DeepMindAI 评分3030 Google 2025 年度回顾：Gemini 3 等 8 大研究突破领域
Google DeepMind 与 Google Research 的 2025 年度回顾显示，其在推理、多模态、模型效率与生成能力上取得突破，3 月发布 Gemini 2.5，11 月推出 Gemini 3、12 月推出 Gemini 3 Flash。
Hugging Face BlogAI 评分4242 Hugging Face 发布 AprielGuard：面向现代 LLM 系统的安全与对抗鲁棒性护栏模型
Hugging Face 推出 AprielGuard，一个 8B 参数的安全护栏模型，可检测 16 类安全风险与提示注入、越狱、记忆投毒、多智能体攻击等对抗攻击，并覆盖工具调用和推理链等智能体工作流场景。该模型支持推理与非推理两种模式，兼顾可解释分类与生产环境的低延迟需求。