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。
Google 宣布扩展内容透明度与验证工具，把 SynthID 的图片、视频、音频验证从 Gemini app 扩展到 Search，并将在未来几周进入 Chrome，Gemini 中该功能已被使用 5000 万次。
推荐理由：Google 把 SynthID 与 C2PA 验证铺到 Search、Gemini 和 Chrome，并开放云端检测 API，读者可了解内容溯源工具的实际入口与合作方。
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。
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。
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 发布 Sentence Transformers v5.4，可在同一套 API 下编码和比较文本、图像、音频与视频，用于视觉文档检索、跨模态搜索和多模态 RAG。
推荐理由：官方博客给出 Sentence Transformers v5.4 多模态嵌入与重排序的完整代码用法和模型清单，可直接照抄跑通流程。
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。
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。
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。
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 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。
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 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 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 最新生成音乐模型 Lyria 3 以 beta 形式在 Gemini 应用上线，用户输入文字或上传图片、视频即可生成 30 秒带歌词或纯器乐的曲目，并配 Nano Banana 生成的封面图。
推荐理由：官方披露 Lyria 3 在 Gemini 中的三项能力改进与 SynthID 音频核验入口，可据此判断生成音乐的可用边界。
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。
Google DeepMind 更新 Veo 3.1 Ingredients to Video，即使提示词简短也能生成更生动、有对白和叙事的视频，并改善角色身份、背景与物体跨场景一致性。
推荐理由：官方披露 Veo 3.1 Ingredients to Video 的一致性、竖屏与 1080p/4K 升级及上线渠道，便于判断视频工作流怎么变。
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。
NVIDIA 在 CES 2026 展示了用 DGX Spark 驱动 Reachy Mini 桌面机器人搭建个人智能体的方案，并发布逐步复现教程。
推荐理由：原文给出从推理模型到机器人动作的完整可复现步骤，可迁移到自建私有语音与视觉智能体。
Google DeepMind 发布 Gemini 3 Flash，主打前沿智能与速度，在 GPQA Diamond 上得分 90.4%、Humanity's Last Exam 无工具得分 33.7%、MMMU Pro 上得分 81.2%、SWE-bench Verified 上得分 78%。
推荐理由：Gemini 3 Flash 以 Pro 级推理配合 Flash 级延迟和价格，提供了速度与智能取舍的实测基准。
Google DeepMind 在 Gemini 应用中上线 AI 图片验证功能，用户上传图片并提问即可检测是否由 Google AI 生成或编辑，背后依据的是 2023 年推出的 SynthID 数字水印技术。
推荐理由：Gemini 应用新增图片 AI 来源验证入口，并给出 SynthID 水印规模与 C2PA 扩展路径等关键细节。