Google DeepMind 发布 Gemma 4 系列开源模型，包含 E2B、E4B、26B MoE 和 31B Dense 四种规格。该系列与 Gemini 3 同源，采用 Apache 2.0 许可证，31B 模型在 Arena AI 排行榜位列开源模型第三。模型支持多模态、长上下文及智能体工作流，E2B 和 E4B 专为移动和 IoT 设备设计。
推荐理由：Google DeepMind 发布与 Gemini 3 同源的 Gemma 4 开源模型，读者可据此对比开源与闭源模型在端侧与智能体场景的能力边界。
Google DeepMind 公布 AI 指针交互的四项原则，并分享由 Gemini 驱动的实验性指针演示，用户在 Google AI Studio 中指向并说话即可编辑图片或查询地图。
推荐理由：原文把指针从定位工具升级为上下文入口，读者可据此判断 AI 交互从长提示词转向指向即意图的设计趋势。
Google DeepMind 发布 Gemini 3.1 Flash Live，这是其目前最高质量的音频与语音模型，旨在提升实时对话的速度与自然度。该模型在 ComplexFuncBench Audio 上得分 90.8%，支持 Gemini Live 对话时长翻倍，并推动 Search Live 扩展至 200 多个国家/地区，所有生成的音频均带有 SynthID 水印。
推荐理由：相比前代模型，Gemini 3.1 Flash Live 在语音精确度、延迟与上下文长度上均有提升，并推动 Search Live 扩展至全球。
OpenAI 发布 GPT-5.4 mini 和 nano，它们是 GPT-5.4 的更小更快版本。两款模型针对编码、工具调用、多模态推理以及大规模 API 和子智能体负载进行了优化。
推荐理由：原文点明 mini 和 nano 相对 GPT-5.4 更小更快，并面向编码、工具调用与大规模 API 负载优化，可据此判断其在成本敏感场景中的定位。
Descript 借助 OpenAI 推理模型实现了大型内容库的自动本地化。该方案在不丢失时间轴与语义的前提下，完成大规模的多语言视频配音。
Google DeepMind 发布 Gemini 3.1 Flash-Lite，这是 Gemini 3 系列中最快且最具成本效益的模型。该模型已通过 Google AI Studio 和 Vertex AI 推出预览版，输入 token 价格为 $0.25/1M，输出为 $1.50/1M。
推荐理由：官方给出其相对 2.5 Flash 的速度提升与 token 定价，读者可据此评估高频工作流的成本变化。
Google DeepMind 发布 Nano Banana 2（Gemini 3.1 Flash Image），将 Nano Banana Pro 的高级世界知识与推理能力与 Flash 级速度相结合。
推荐理由：官方对比了 Nano Banana Pro 与新模型的差异，说明 Nano Banana 2 如何在保持 Pro 级画质与推理能力的同时实现 Flash 级速度。
Google DeepMind 在 Gemini 应用中推出最新的生成式音乐模型 Lyria 3，用户通过描述想法或上传照片即可在数秒内生成 30 秒的高质量音乐曲目。
推荐理由：原文说明了 Lyria 3 的文本与图片生成音乐能力及 SynthID 水印验证，读者可据此判断其在 Gemini 应用中的实际可用范围。
Google DeepMind 开始向美国 Google AI Ultra 订阅用户（18 岁以上）滚动开放 Project Genie，这是一个基于 Genie 3、Nano Banana Pro 和 Gemini 的实验性研究原型网页应用，支持用户用文本或图片创建可探索的交互世界、实时生成前行路径，并对已有世界进行混编与视频下载。
推荐理由：原文列出了世界素描、探索、混编三大能力与生成时长等限制，可据此判断世界模型从研究走向消费级体验的成熟度。
Google 回顾了 2025 年在 8 大领域的研究突破，Google DeepMind 与 Google Research 发布的 Gemini 3 Pro 登顶 LMArena Leaderboard，在 Humanity's Last Exam 与 GPQA Diamond 上取得突破分数，并以 23.4% 创下 MathArena Apex 新纪录。
Google DeepMind 发布 Gemini 3 Flash，以低成本提供前沿推理与多模态能力。该模型在 GPQA Diamond 得分 90.4%，SWE-bench Verified 达 78%，速度为 Gemini 2.5 Pro 的 3 倍，已在 Gemini API、Vertex AI 及 Gemini 应用中推出。
推荐理由：官方发布 Gemini 3 Flash，以更低成本和更快速度提供接近 Pro 级的推理与多模态能力，适合关注模型选型与成本优化的读者。
GPT-5.2 是 OpenAI 面向日常专业工作的最先进前沿模型，具备最先进的推理、长上下文理解、编码和视觉能力，可在 ChatGPT 和 OpenAI API 中使用，以支持更快、更可靠的智能体工作流。
推荐理由：官方公布了 GPT-5.2 在推理、长上下文、编码和视觉上的能力定位，可据此评估它对现有智能体工作流的替换价值。
Google DeepMind 联合 Kaggle 推出 FACTS Benchmark Suite，新增 Parametric、Search、Multimodal 三项基准并更新 Grounding Benchmark - v2，公开 3,513 道题目。
Google DeepMind 宣布支持白宫 Genesis 使命，与 DOE 合作把前沿 AI 模型与智能体工具开放给全部 17 座国家实验室的科研人员。
Google 在 Gemini 应用中上线 AI 图片验证功能，用户上传图片并提问后，系统会检查 SynthID 水印并结合推理返回该图片是否由 Google AI 生成或编辑。
推荐理由：官方说明给出 SynthID 水印验证在 Gemini 应用中的使用方式与后续扩展计划，可据此判断 AI 内容溯源工具的落地节奏。
Google DeepMind 发布 Nano Banana Pro（Gemini 3 Pro Image），一款基于 Gemini 3 Pro 构建的高保真图像生成与编辑模型，现已在 Google AI Studio 和 Vertex AI 以付费预览形式推出。
推荐理由：官方给出了新模型相对 Gemini 2.5 Flash Image 的画质与控制能力升级，以及付费预览的开放入口，开发者可据此判断是否迁移到更高画质的图像生成流程。
Google DeepMind 发布 Nano Banana Pro（即 Gemini 3 Pro Image），这是基于 Gemini 3 Pro 的图像生成与编辑模型，强调文字渲染、多图融合与高保真输出。
推荐理由：官方列出新模型在文字渲染、多图融合与分辨率上的提升，并给出各平台开放入口，便于读者判断如何接入使用。
Google DeepMind 发布 Gemini 3 Pro，称其在各大基准上超越前代，编码能力超越 2.5 Pro。模型预览版定价为 $2/百万输入 token 和 $12/百万输出 token（200k token 以内），可通过 Gemini API、Google AI Studio 和 Vertex AI 使用。
推荐理由：官方公布了 Gemini 3 Pro 的基准成绩、定价与开发者工具集成，读者可据此评估其在编码和多模态任务上的实际可用性。
Google 正式发布 Gemini 3，首先推出 Gemini 3 Pro 预览版，号称在多模态理解、推理和编码方面达到业界最先进水平，LMArena 得分 1501 Elo。同时推出增强推理模式 Gemini 3 Deep Think 以及全新的智能体开发平台 Google Antigravity。
推荐理由：官方公布 Gemini 3 Pro 在推理、多模态和编码基准上全面超越 2.5 Pro，并推出 Deep Think 模式与 Antigravity 开发平台。
Google DeepMind 发布 SIMA 2，一个以 Gemini 模型为核心的通用 AI 智能体，从指令跟随者升级为可交互的游戏伙伴。SIMA 2 能理解用户的高层目标、对话说明自己的意图，并通过试错与 Gemini 反馈自我改进；在从未训练过的游戏（如 ASKA 和 MineDojo）以及 Genie 3 生成的全新 3D 世界中也能泛化行动。
推荐理由：SIMA 2 从指令跟随者进化为能推理、会交流并自我改进的交互式伙伴，为具身智能走向通用性提供了可参照的路径。
Google DeepMind 在 Nature 发表新论文，提出一种将视觉模型的表征与人类知识对齐的三步方法，显著提升模型与人类判断的一致性、鲁棒性和泛化能力。
OpenAI 发布 Sora 2 视频生成模型，支持同步对话与音效；旧版 Sora 产品已不再可用。
推荐理由：原文点明 Sora 2 支持同步对话与音效，并说明旧版 Sora 产品已下线，读者可据此判断视频生成能力的变化。
OpenAI 发布 Sora 2 系统卡，介绍其新的视频与音频生成模型。该模型在 Sora 基础上实现了更准确的物理效果、更清晰的真实感与音画同步，并增强了可控性与风格多样性。
推荐理由：官方系统卡概述 Sora 2 在物理准确度、真实感与音画同步上的提升，读者可据此对照前代视频模型评估其能力变化。
通义千问推出 Qwen-Image-Edit，基于 20B 的 Qwen-Image 进一步训练，支持语义与外观双重编辑以及中英文精准文字编辑，在多个公开基准测试中达到 SOTA。模型将输入图像同时送入 Qwen2.5-VL 与 VAE Encoder，分别实现视觉语义控制与视觉外观控制，用户可在 Qwen Chat 的“图像编辑”功能中体验，还能通过链式编辑逐步修正生成图像中的错字。
推荐理由：原文展示了语义与外观双重编辑和链式修字流程，读者可据此判断它能否融入现有视觉内容创作工作流。
OpenAI 发布 GPT-5，称其为迄今最好的 AI 系统，在编码、数学、写作、健康和视觉感知等领域达到 SOTA 表现。官方称 GPT-5 的智能水平相对此前所有模型有显著提升。
推荐理由：原文给出了 GPT-5 相对前代模型的智能提升与各领域表现，读者可据此判断其在编码、数学、写作等场景的适用性。
通义千问推出 20B MMDiT 图像生成基础模型 Qwen-Image，这是该系列首个图像生成模型。模型在复杂中英文本渲染和精确图像编辑上取得显著进展，在 GenEval、DPG、GEdit 等多个公开基准测试中达到 SOTA，其中文文本渲染表现大幅领先现有最先进模型。
推荐理由：官方博客详述了 Qwen-Image 在中英复杂文本渲染上的 SOTA 表现，读者可据此判断其能否解决图像生成中的文字乱码痛点。
Invideo AI 使用 OpenAI 的 GPT-4.1、gpt-image-1 和 text-to-speech 模型，可将创意在数分钟内转化为专业视频。该方案把视频创作速度提升 10 倍。
OpenAI 更新 ChatGPT for Business，4 月新增 o3、图像生成、增强记忆与内部知识等功能。官方同步放出这些功能的上手演示，帮助用户了解实际使用效果。
OpenAI 宣布最新图像生成模型已通过 API 开放，调用名为 gpt-image-1。开发者和企业可将其直接集成到自有工具与平台，生成专业级、可定制的视觉内容。
推荐理由：OpenAI 将最新图像生成模型以 gpt-image-1 开放给 API，开发者和企业可直接把可定制视觉生成集成进自有平台。
OpenAI 发布 o3 与 o4-mini 的系统卡片，两款模型将最先进的推理能力与完整工具能力相结合。支持能力包括网页浏览、Python、图像与文件分析、图像生成、canvas、automations、文件搜索和记忆。
推荐理由：官方系统卡片列出了 o3 与 o4-mini 的推理与工具能力，读者可据此判断其与现有工作流的适配度。
ChatGPT 的视觉与语音功能可帮助团队处理多模态输入，并进行更自然的沟通。
OpenAI 发布 GPT-4o 系统卡附录，介绍 4o 图像生成能力；该能力比 DALL·E 3 系列显著更强，可生成照片级输出，并支持以图像作为输入进行转换。
推荐理由：原文将 4o 图像生成与 DALL·E 3 对比，点出其照片级输出与图像输入变换能力，读者可据此快速了解新模型的能力边界。
OpenAI 宣布为 fine-tuning API 引入视觉能力，开发者现在可使用图像和文本微调 GPT-4o，以提升视觉能力。
推荐理由：官方把 GPT-4o 微调开放到图像与文本混合数据，开发者可针对视觉任务定制模型并直接通过 API 调用。
OpenAI 推出一款基于 GPT-4o 的新模型，可更准确地检测有害文本与图像，帮助开发者构建更稳健的审核系统。
OpenAI 发布新旗舰模型 GPT-4o（GPT-4 Omni），可实时跨音频、图像和文本进行推理。
推荐理由：OpenAI 发布新旗舰模型 GPT-4o，支持实时处理音频、图像和文本，可关注其多模态交互能力带来的应用变化。
OpenAI 探索在视频数据上大规模训练生成模型，其最大模型 Sora 能够生成一分钟的高保真视频。研究表明，扩展视频生成模型是构建物理世界通用模拟器的有希望路径。
推荐理由：原文提出视频生成模型可作为物理世界通用模拟器的路径，并展示 Sora 生成一分钟高保真视频的能力。
OpenAI 在 DevDay 发布 GPT-4 Turbo，支持 128K 上下文并降低价格。同时推出的还有 Assistants API、GPT-4 Turbo with Vision 与 DALL·E 3 API 等开发者产品。
推荐理由：原文列出 GPT-4 Turbo 的 128K 上下文与更低价格，以及 Assistants API 等新入口，开发者可据此评估要跟进哪些更新。
OpenAI 发布 GPT-4V(ision) 的系统卡片。
OpenAI 官方宣布 ChatGPT 现在可以看、听和说，新增了图像与语音相关能力。
推荐理由：OpenAI 官方宣布 ChatGPT 新增看、听、说能力，读者可据此了解其在图像与语音交互上的使用方式变化。
Be My Eyes 使用 GPT-4 改变视觉无障碍体验。