Thinking Machines Lab 在 Hugging Face 发布多模态开源模型 Inkling，采用 decoder-only MoE 架构，975B 总参数、41B 激活参数，支持图像、音频、文本输入和 1M 上下文，训练数据为 45 万亿 token。
推荐理由：Inkling 以约 1T 参数、1M 上下文原生接收图像音频文本，并给出各推理引擎的部署配置与基准对比。
Google DeepMindAI 评分Google DeepMind 面向印度 Atal Tinkering Labs 启动 ATL Saathi 试点，这是一款由 Gemini 驱动的 Web 应用，为每位 Tinkering Lab 教育者提供 24/7 备课与培训助手。
Hugging Face 在 PRX 系列第四篇中披露其数据策略：预训练数据由公开与内部数据集混合组成，用 VLM 重新生成图像长描述，再转为可流式训练的语料。团队将文本编码器从 T5Gemma 换成 Qwen3-VL 并改为训练时实时计算文本 latent，实测吞吐损失约 3–4%（30 天训练约多 1 天）。图像统一以 JPEG quality 92 编码，实测首次重编码几乎不可察觉。
伯克利人工智能研究实验室（BAIR）公布 2026 届博士毕业生名单，研究方向覆盖机器人、具身智能、大语言模型与推理、计算机视觉、生成模型、AI 安全、人机交互及 AI for Science 与医疗。毕业生去向包括 Physical Intelligence、OpenAI、Mistral AI、Amazon 等机构，以及 UCLA、芝加哥大学教职和自主创业。
Hugging Face 与 Cerebras 联合演示了一套实时语音到语音流水线，用 Cerebras 加速 Gemma 4 31B 的推理，以降低语音交互延迟。
推荐理由：原文给出可替换的语音到语音流水线各层组件，读者可据此评估如何搭建低延迟实时语音交互。
Google DeepMind精选AI 评分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，前者是 Nano Banana 家族中速度最快、成本最低的图像模型，后者支持高质量视频生成与对话式编辑。
推荐理由：Google DeepMind 同时放出图像与视频两款新模型，并给出延迟、单价和可用入口，便于开发者评估替换与串联方案。
Mistral 发布 OCR 4，在提取文本之外新增边界框、块类型分类和逐页逐词置信度分数，支持 170 种语言，可单容器自托管部署。该模型在 OlmOCRBench 上取得 85.20 分，OmniDocBench 上为 93.07 分，官方称独立标注者在 600 多份文档的盲评中平均偏好率约 72%。
推荐理由：OCR 4 把文档解析从纯文本扩展到带边界框和块分类的结构化输出，读者可据此判断它是否适合接入现有 RAG 或智能体流程。
PaddleOCR 发布新一代通用 OCR 模型家族 PP-OCRv6，已在 Hugging Face 上线，提供 tiny、small、medium 三档，参数量从 1.5M 到 34.5M，其中 small 和 medium 支持 50 种语言。
推荐理由：原文给出三档模型参数、检测与识别指标及多后端接入方式，便于按部署场景选型。
Midjourney 将于明天（周三 6/17）太平洋时间下午 6 点公布其首个硬件项目。届时请关注我们在旧金山线下发布会的直播。如果你在本地并想获得邀请，请在下方回复，我们仅剩少量名额。
Google DeepMind精选AI 评分Google DeepMind 发布 Gemma 4 12B，定位为可在笔记本本地运行的多模态模型，介于边缘端 E4B 与 26B MoE 之间，是首个支持原生音频输入的中等规模 Gemma 模型。
推荐理由：Gemma 4 12B 用无编码器架构把视觉和音频直接接入 LLM，并给出 16GB 显存本地运行的边界。
作者让编码智能体通过调用两个 Hugging Face Space 搭建了一个展示巴黎地标的 3D 高斯泼溅网站，全程未手动使用图像生成或 3D 重建工具。每个 Gradio Space 都暴露一份 agents.md，列出 schema URL、调用与轮询模板、文件上传方式和 HF_TOKEN 鉴权提示，智能体据此即可端到端驱动 Space。
推荐理由：作者用两个 Space 串起图像生成到 3D 高斯泼溅的完整流程，展示了 agents.md 如何让智能体直接调用模型。
Google Research精选AI 评分Google Research 在 Nature 发表 PHRM 研究系统，利用手机前置摄像头在面部解锁后拍摄 8 秒面部视频，通过深度学习估算心率，与心电图相比 MAPE 低于 10%，覆盖所有肤色。
推荐理由：Google 用 35 万段手机视频训练 rPPG 模型，并公开迄今最大规模数据集，读者可了解被动心率监测的可行边界。
NVIDIA 发布 Nemotron 3.5 Content Safety，基于 Gemma 3 4B IT 微调，把多模态输入、多语言覆盖、自定义企业策略执行和可审计推理统一到一次推理调用中。
推荐理由：NVIDIA 把多模态、多语言、自定义策略与可审计推理合并进一次推理调用，并公开训练数据集。
Google DeepMind精选AI 评分Google DeepMind 在实验性原型 Project Genie 中上线 Street View 实景锚定能力，用户可选取美国地点并叠加风格与角色描述，生成起始位置对应真实街景影像的交互世界。
推荐理由：原文给出 Genie 接入 Street View 实景锚定的能力与开放范围，读者可据此判断世界模型在智能体与机器人训练上的落地路径。
Google DeepMind精选AI 评分Google DeepMind 发布 Gemini Omni 家族首个模型 Gemini Omni Flash，可组合图像、音频、视频和文本作为输入生成高质量视频，并通过自然语言多轮编辑视频。
推荐理由：Gemini Omni Flash 把多模态输入与对话式视频编辑结合，读者可据此判断视频创作流程的变化。
Google DeepMind精选AI 评分Google 宣布把内容透明度与验证工具扩展到 Search、Gemini、Chrome、Pixel 和 Cloud。SynthID 已为超过 1000 亿张图片和视频、6 万年音频打上水印，Gemini 应用中的 SynthID 验证已被使用 5000 万次，该能力今日起进入 Search、未来几周进入 Chrome。
推荐理由：原文列出 SynthID 与 C2PA 验证在 Search、Gemini、Chrome 的落地范围，可据此判断内容溯源工具的实际可用边界。
Google DeepMindAI 评分Google DeepMind 与新加坡政府启动国家 AI 合作，在新加坡落地医疗、科研、教育和气候等项目。合作探索 AI co-clinician 辅助诊疗，并用 AlphaFold、Google Earth 加速东南亚疫情研究，同时向中小学至初级学院教育者提供 Gemini for Education。
Google DeepMind精选AI 评分Google DeepMind 发布 Gemini 3.5 系列首个模型 3.5 Flash，主打智能体与编码能力，即日起在 Gemini app、Google Search 的 AI Mode、Google Antigravity、Gemini API 及 Gemini Enterprise 上线。
推荐理由：Gemini 3.5 Flash 在编码与智能体基准上的表现和速度数据，可供读者判断前沿模型在长程任务上的取舍。
Google DeepMind精选AI 评分Google DeepMind 宣布 AI co-clinician 研究计划，探索 AI 智能体在医生临床监督下协助患者诊疗。
推荐理由：Google DeepMind 公开了 AI co-clinician 的研究设计与评测结果，读者可了解医疗智能体在证据检索和实时多模态问诊上的能力边界。
Google Research精选AI 评分Google Research 介绍了科学家使用 Empirical Research Assistance（ERA）开展科研的四个方向：公共卫生、宇宙学、气候与神经科学。
推荐理由：Google Research 用四个真实科研项目展示 ERA 在流行病预测、宇宙学、卫星 CO2 监测和神经回路发现中的具体产出。
NVIDIA 发布 Nemotron 3 Nano Omni，一款面向文档分析、多图推理、语音识别、长音视频理解与智能体电脑操作的全模态理解模型，在 MMlongbench-Doc、OCRBenchV2、WorldSense、DailyOmni、VoiceBench 等基准上取得领先成绩。
推荐理由：原文给出架构、训练配方与多模态基准对比，可据此判断开源全模态模型在文档、音视频与GUI任务上的位置。
OpenAI 发布 ChatGPT Images 2.0，改进了文字渲染、多语言支持和视觉推理能力。官方同时提到 Images 2.5 的新变化。
推荐理由：官方给出 ChatGPT Images 2.0 在文字渲染、多语言和视觉推理上的改进方向，可据此判断图像生成能力的迭代重点。
Google DeepMind精选AI 评分Google DeepMind 发布 Gemini 3.1 Flash TTS，一款主打可控性与表现力的文本转语音模型，即日起在 Gemini API 和 Google AI Studio 面向开发者预览，企业版在 Vertex AI 预览，Workspace 用户可通过 Google Vids 使用。
推荐理由：官方给出音频标签控制方式与 70+ 语言支持，读者可据此判断语音生成的可控程度与接入渠道。
Google DeepMind精选AI 评分Google DeepMind 发布 Gemini Robotics-ER 1.6，这是其面向机器人的推理优先模型升级版，重点增强空间推理、多视角理解与任务成功检测。
推荐理由：官方给出与上一代及 Gemini 3.0 Flash 的对比，并说明仪表读数等新能力的实现路径。
Google ResearchAI 评分Google 发布两个学术智能体框架：PaperVizAgent（原 PaperBanana）从论文方法与图注生成出版级插图，ScholarPeer 则自动评审论文。
Google DeepMind精选AI 评分Google DeepMind 发布 Gemma 4 开源模型家族，包含 E2B、E4B、26B MoE 和 31B Dense 四种尺寸，采用 Apache 2.0 许可。
推荐理由：Gemma 4 给出四种尺寸、Apache 2.0 许可与完整工具链支持，可据此判断开源模型在端侧与本地部署上的能力边界。
Hugging Face Blog 发布文章《Welcome Gemma 4: Frontier multimodal intelligence on device》，标题显示 Gemma 4 是一款面向端侧设备的前沿多模态模型。原文正文未能抓取，暂无更多细节。
Google DeepMind精选AI 评分Google DeepMind 公布了一套 AI 指针的交互原则，让指针不仅知道指向什么，还能理解它对用户的意义，由 Gemini 驱动。团队提出四条原则：保持工作流不被打断、用指向加语音替代长提示词、支持“这个”“那个”式的自然简写、把像素转化为可操作实体。
推荐理由：Google DeepMind 公开了 AI 指针的四条交互原则，并说明该能力已进入 Chrome 与 Googlebook，读者可据此判断浏览器内 AI 交互的走向。
Google DeepMind精选AI 评分Google DeepMind 发布 Gemini 3.1 Flash Live，称其为目前质量最高的音频与语音模型，具备更高精度和更低延迟。该模型在 ComplexFuncBench Audio 上得分 90.8%，在 Scale AI 的 Audio MultiChallenge 上开启 thinking 后得分 36.1%。
推荐理由：官方给出语音模型的基准分数与多产品开放入口，可据此判断实时语音交互的可用边界。
Google DeepMind精选AI 评分Google DeepMind 发布 Lyria 3 Pro，可生成最长 3 分钟的曲目，并更好地理解音乐结构，支持按 intro、verse、chorus、bridge 等具体段落提示。
推荐理由：官方给出 Lyria 3 Pro 的时长上限、结构控制能力与多处接入入口，可据此判断音乐生成在现有工作流中的可用范围。
Google ResearchAI 评分Google Research 发布 Vibe Coding XR 工作流，将 Gemini 与基于 WebXR、three.js、LiteRT.js 的 XR Blocks 框架结合，把自然语言提示词直接转成可运行的 Android XR 应用，官方称耗时在 60 秒以内。
Mistral AI 发布首个文本转语音模型 Voxtral TTS，4B 参数，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，可做情感表达与零样本跨语言音色适配。
推荐理由：官方给出 4B 参数、9 种语言、70ms 延迟与每千字符 0.016 美元的定价，读者可据此判断语音智能体的成本与选型空间。
Google ResearchAI 评分Google Research 在 The Check Up 活动上公布多项医疗 AI 进展：与 Fitbit 合作研究的 Personal Health Agent（PHA）在长期健康支持上优于单一任务应用，实验性 AI 系统识别出 25% 此前被漏诊的"interval cancers"。
H Company 发布 Holotron-12B，一个基于 NVIDIA Nemotron-Nano-2 VL 后训练的多模态计算机操作模型，已在 Hugging Face 上线，采用 NVIDIA Open Model License。
推荐理由：原文给出混合 SSM 架构带来的吞吐对比数据与 WebVoyager 提升幅度，可据此判断计算机操作智能体的部署成本。
OpenAI 发布 GPT-5.4 mini 和 nano，是 GPT-5.4 更小、更快的版本，针对编码、工具调用、多模态推理以及高并发 API 和子智能体负载做了优化。
推荐理由：OpenAI 公布 GPT-5.4 的小型版本，读者可据此了解其在编码、工具调用与高并发场景中的定位。
Mistral AI 发布 Mistral Small 4，这是 Mistral Small 系列的下一个重要版本，也是 Mistral 首个把 Magistral 的推理、Pixtral 的多模态和 Devstral 的智能体编码能力统一到单一模型中的模型，采用 Apache 2.0 许可。
推荐理由：Mistral Small 4 把推理、多模态与编码智能体能力合并进单一开源模型，读者可据此判断统一模型对部署选型的影响。
Descript 借助 OpenAI 推理模型实现大规模内容库的自动本地化，且不丢失时间轴与语义。该方案面向多语言视频配音场景，可对大型内容库批量处理。