更新的模型同样的优势：DharmaOCR 仍领先 Mistral OCR4 与 Unlimited-OCR
DharmaOCR 在巴西葡萄牙语 OCR 基准上以 0.925 的得分领先新发布的 Mistral OCR4（0.798）和 Unlimited-OCR（0.7587），分别高出约 13 分和 16 分以上。
#多模态
#多模态
今日 2 条Hugging Face BlogAI 评分3030
Hugging Face Blog精选AI 评分8181 Thinking Machines 发布万亿参数开源多模态模型 Inkling 及 Inkling-Small
Thinking Machines 在 Hugging Face 发布开源多模态模型 Inkling，总参数 975B、激活 41B 的 MoE 架构，原生接受图像、文本和音频输入，支持 1M 上下文窗口，训练数据为 45 万亿 token。
推荐理由：原文给出架构细节、各档位 VRAM 部署配置和多模态评测数据，对评估落地成本和选择变体有直接参考。
Google DeepMindAI 评分2525 Google DeepMind 推出 Gemini 驱动的教育助手 ATL Saathi 试点
Google DeepMind 在印度推出 ATL Saathi 试点，这是一款基于 Gemini 的教育 Web 应用，为 Atal Tinkering Labs 教师提供 24/7 的备课与培训助手。
Google ResearchAI 评分5252 Google Research 发布 SensorFM 可穿戴健康数据基础模型，预训练超一万亿分钟传感器数据
Google Research 提出 SensorFM，一种大型传感器基础模型，基于 500 万名参与者、超过一万亿分钟的多模态可穿戴数据自监督预训练。
Mistral AIAI 评分5555 Mistral 发布 8B 具身导航模型 Robostral Navigate，单 RGB 相机达 R2R-CE 76.6%
Mistral AI 发布首款具身导航模型 Robostral Navigate，8B 参数，仅用单个 RGB 相机加自然语言指令即可自主导航，R2R-CE validation unseen 成功率 76.6%，validation seen 为 79.4%，比最佳单相机方案高 9.7 分，比最佳深度或多相机系统高 4.5 分。
Google ResearchAI 评分5151 Google Research 发布 50 多城建筑级屋顶反照率数据并上线 Heat Resilience Earth Engine App
Google Research 将建筑级屋顶反照率数据扩展至 9 个国家的 50 多座城市，包括伦敦、里约热内卢和纽约，并通过新的高分辨率 Heat Resilience Earth Engine App 开放访问。
Mistral AI精选AI 评分6868 Mistral 发布 OCR 4，新增边界框、块分类与置信度分数，支持 170 种语言
Mistral 发布 Mistral OCR 4，除文本外返回边界框、分类型块（标题、表格、公式、签名等）和逐页逐词置信度分数，支持 10 个语系下 170 种语言。
推荐理由：官方公布了能力细节、定价和基准方法论，还主动列出自动评测的打分缺陷，读者可据此判断在自己场景中怎么用。
Hugging Face BlogAI 评分5050 PP-OCRv6 登陆 Hugging Face：1.5M 至 34.5M 参数的 50 语言 OCR 模型家族
PaddlePaddle 发布 PP-OCRv6，提供 tiny、small、medium 三档模型，参数量从 1.5M 到 34.5M，medium 和 small 档支持 50 种语言。
Google ResearchAI 评分4343 Google 从像素到规划：Earth AI 助力自然修复
Google 发布 Farmscapes 的矢量化数据集，将英格兰高分辨率地图转化为可操作的树篱、石墙和小片林地清单，用于英国景观修复与碳核算。
Google ResearchAI 评分4646 Google Research 探讨 AI 如何帮助用户理解皮肤健康状况
Google Research 分享了关于 AI 皮肤健康工具的消费者研究，其中发表于 JAMA Dermatology 的大规模实验让 2,345 名参与者分三组研究皮肤病例。
Google DeepMind精选AI 评分7575 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，提供 70+ 语言的近实时语音到语音翻译，自动检测语言并保留说话者的语调、节奏和音高，全程仅落后说话者数秒。
推荐理由：官方发布正文给出了 70+ 语言、延迟表现和多端开放入口，读者可据此评估它在通话、会议和翻译场景的可用性。
Google DeepMind精选AI 评分7777 Google DeepMind 发布 Gemma 4 12B：无编码器的统一多模态模型
Google DeepMind 发布 Gemma 4 12B，采用无编码器的统一多模态架构，视觉和音频输入直接进入 LLM backbone，支持原生音频输入。
推荐理由：原文给出了架构细节、内存门槛和许可证等可验证事实，读者可据此评估本地部署多模态模型的可行性。
Google Research精选AI 评分6767 Google 发布 PHRM 系统，用手机前摄在日常使用中被动监测心率与静息心率
Google 在 Nature 发表 PHRM 研究系统，利用人脸解锁后的前摄视频，通过深度学习在后台估计心率，相比 ECG 的 MAPE 为 6.09%，日静息心率相对 Fitbit Charge 6 的 MAE 为 4.39 bpm。研究覆盖近 700 名不同肤色参与者，是迄今最大规模的 rPPG 研究，并公开发布数据集与预训练 PHRM-mini 模型供合格研究者申请使用。
推荐理由：原文给出跨肤色验证数据与免费开放的数据集和模型入口，研究者可以据此评估rPPG方法的可复用性。
Hugging Face BlogAI 评分5656 NVIDIA 发布 Nemotron 3.5 Content Safety 多模态内容安全模型
NVIDIA 发布 Nemotron 3.5 Content Safety，基于 Gemma 3 4B IT 微调，将多模态输入、12 种语言显式训练覆盖、自定义策略执行和可审计推理轨迹统一到一次推理调用中。
Hugging Face BlogAI 评分4242 超越聊天机器人的 DPO：用模型自身的失败样本降低 OCR 文本退化
Hugging Face 在 DharmaOCR 训练中把 DPO 用于聊天对齐之外的场景：用模型自身失败产生的退化循环构建拒绝对，作为第二训练阶段降低结构化 OCR 的文本退化率。
Google ResearchAI 评分4141 Google Research 在 I/O 2026 迈入科学发现新时代
Google Research 在 I/O 2026 上发布 Gemini for Science，包含基于 ERA 和 AlphaEvolve 构建的 Computational Discovery。
Hugging Face BlogAI 评分4848 Hugging Face 发布 OlmoEarth v1.1：更高效的对地观测模型家族
Hugging Face 发布 OlmoEarth v1.1，新一代对地观测模型家族，计算成本最高降低 3x，同时在研究基准和合作任务上保持 v1 的性能。效率提升来自减少 token 序列长度：将 Sentinel-2 三个分辨率的 token 合并为单个 token，并通过修改预训练方法避免性能下降。新家族提供 Base、Tiny、Nano 三种规格，权重和训练代码已开放获取。
Hugging Face BlogAI 评分5353 PaddleOCR 3.5 发布，支持用 Hugging Face Transformers 作为推理后端
PaddleOCR 3.5 通过新增 engine 参数让支持的模型（如 PP-OCRv5、PaddleOCR-VL 1.5）可用 Hugging Face Transformers 作为推理后端，并提供 engine_config 配置 dtype、设备与 attention 实现等选项。
Google DeepMindAI 评分5959 Google DeepMind 为 Project Genie 引入 Street View 真实街景能力并向 Google AI Ultra 订阅者开放
Google DeepMind 在 Project Genie 中推出 Street View 街景落地能力，用户可选美国地点并套用 Ocean World、B&W film 等风格生成可交互世界，底层由 Maps Imagery Grounding 支撑。
Google DeepMind精选AI 评分8484 Google DeepMind 发布 Gemini Omni Flash 多模态视频生成模型
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视频，并支持自然语言多轮编辑。
推荐理由：官方说明了视频生成与对话式编辑的具体能力和订阅范围，读者可以据此判断它是否适配现有创作流程。
Google DeepMind精选AI 评分6666 Google 扩展内容透明度工具，SynthID 验证进入 Search 与 Chrome
Google 于 2026 年 5 月宣布扩展内容透明度与验证工具，覆盖 Search、Gemini、Chrome、Pixel 和 Cloud。
推荐理由：原文给出 SynthID 验证入口扩展和 C2PA 检测的具体落地范围，读者可以据此了解内容溯源工具在自家产品中的可用变化。
Google DeepMindAI 评分5959 Stanford 团队用 Co-Scientist 发现潜在抗肝纤维化老药新用候选
Stanford 大学医学院 Gary Peltz 团队在 Advanced Science 发表研究，用 Google DeepMind 的 Co-Scientist 从已有药物文献中筛选可重定位治疗肝纤维化的候选药。
Google DeepMind精选AI 评分8484 Google DeepMind 发布 Gemini 3.5，首发 3.5 Flash
Google DeepMind 发布 Gemini 3.5 模型系列，首个型号 3.5 Flash 当天全量开放，3.5 Pro 预计下月推出。
推荐理由：官方正文给出具体基准分数、速度对比和开放渠道，读者可据此评估 3.5 Flash 在智能体与编码场景的实用性。
Google ResearchAI 评分3131 Google Research 通过全球合作与开放资源推动科学影响力
Google Research 阐述其开放科学理念，通过开源工具、开放数据集与全球科研合作推动科学进步，已服务超过 250,000 名研究者和开发者。
Google DeepMind精选AI 评分6262 Google DeepMind 发布 AI co-clinician 医疗协作智能体研究计划
Google DeepMind 宣布 AI co-clinician 研究计划，探索在医生监督下辅助患者照护的 AI 智能体。在 98 个真实初级诊疗问题的盲评中 97 例零严重错误，在 RxQA 开放式用药问答上超越现有前沿模型；在 120 次远程医疗模拟会诊中，专家医生整体表现仍优于该系统，但在 140 项评估中有 68 项达到或超过初级保健医生水平，目前定位为辅助工具而非替代临床判断。
推荐理由：原文同时给出医生端与患者端的评估设计和结果，读者可以据此了解该系统当前的真实边界与局限。
Hugging Face Blog精选AI 评分6666 NVIDIA 发布 Nemotron 3 Nano Omni 全模态模型，覆盖文档、语音、视频与 GUI 智能体
NVIDIA 发布 Nemotron 3 Nano Omni（30B-A3B）全模态理解模型，支持文档分析、ASR、长音视频理解和 agentic computer use，并在 Hugging Face 开放 BF16、FP8 和 NVFP4 权重。
推荐理由：原文给出完整基准对比和架构细节，读者可以据此评估它是否值得替换现有的多模态工作流。
Google ResearchAI 评分3838 Google Research 用 AI 生成的合成神经元加速大脑连接组重建
Google Research 的 MoGen 模型基于 PointInfinity point cloud flow matching，用 1,795 条经人工验证的小鼠轴突训练生成合成神经元形态，扩充 PATHFINDER 重建模型的训练数据。
Hugging Face Blog精选AI 评分6363 Sentence Transformers 多模态嵌入与重排模型训练微调教程：以 Qwen3-VL-Embedding-2B 微调视觉文档检索为例
Hugging Face 博客讲解如何用 Sentence Transformers 训练和微调多模态嵌入与重排模型，以 Qwen/Qwen3-VL-Embedding-2B 在 Visual Document Retrieval 任务上微调为例。
推荐理由：作者用 Qwen3-VL 完整走通多模态嵌入微调流程，NDCG@10 从 0.888 提到 0.947，方法可直接迁移到自己的领域数据。
Google DeepMindAI 评分5757 Google DeepMind 发布 Gemini Robotics-ER 1.6，增强机器人具身推理能力
Google DeepMind 发布 Gemini Robotics-ER 1.6，面向机器人的具身推理模型，在指向、计数、成功检测等空间与物理推理上较 Gemini Robotics-ER 1.5 和 Gemini 3.0 Flash 明显提升，并新增仪表读取能力，可解读压力表和视镜。
Hugging Face Blog精选AI 评分7171 Sentence Transformers v5.4 发布，支持文本、图像、音频和视频的多模态嵌入与重排
Hugging Face 发布 Sentence Transformers v5.4，用户可用同一套 API 对文本、图像、音频和视频进行嵌入编码与相关性重排。
推荐理由：官方教程给出 v5.4 多模态嵌入与重排的完整用法、代码示例和支持模型清单，读者可以直接照着搭建跨模态检索或 RAG 流程。
Google ResearchAI 评分3737 Google Research 推出 PaperVizAgent 与 ScholarPeer 两个 AI 智能体，改进学术制图与同行评审
Google Research 推出两个学术智能体框架：PaperVizAgent（原 PaperBanana）用于从论文文本生成可发表的学术图表，ScholarPeer 则自动执行严格的同行评审。
Google DeepMind精选AI 评分7979 Google DeepMind 发布 Gemma 4 开源模型，E2B/E4B/26B MoE/31B 四尺寸
Google DeepMind 发布 Gemma 4 开源模型，基于 Gemini 3 技术，主打高级推理和智能体工作流。提供 E2B、E4B、26B MoE（推理时仅激活 3.8B 参数）和 31B Dense 四种尺寸，31B 在 Arena AI 文本排行榜上位列全球开源模型第 3，采用 Apache 2.0 许可，支持 128K-256K 上下文窗口、原生多模态和 140+ 语言。
推荐理由：原文给出了四个尺寸、基准排名和部署细节，读者可以据此判断在本地和端侧硬件上的可用性。
Hugging Face Blog精选AI 评分8282 Google DeepMind 发布 Gemma 4 多模态模型系列并登陆 Hugging Face
Google DeepMind 发布 Gemma 4 多模态模型系列，共五个尺寸（E2B、E4B、12B Unified、31B、26B A4B MoE），采用 Apache 2.0 许可，支持图像、文本和音频输入，上下文窗口最高 256K。
推荐理由：Hugging Face 官方详解 Gemma 4 架构、多模态能力与全生态部署方式，还覆盖 DiffusionGemma 和推理加速等上手细节。
Hugging Face Blog精选AI 评分6262 TII 发布 Falcon Perception 0.6B 早融合感知模型及 0.3B Falcon OCR
TII Falcon Vision 团队发布 Falcon Perception，一个 0.6B 参数的早融合 Transformer，用混合注意力掩码处理图像块与文本，做自然语言提示的开放词汇定位与分割，在 SA-Co 上达到 68.0 Macro-F1（SAM 3 为 62.3），但在 presence calibration 上落后（MCC 0.64 vs 0.82）。
推荐理由：TII 自述用单一早融合 Transformer 做开放词汇感知，读者可以看到架构、数据配方和 SA-Co 与 PBench 上的具体对比依据。
Hugging Face BlogAI 评分5353 IBM 发布 Granite 4.0 3B Vision 面向企业文档理解的小型多模态模型
IBM 发布 Granite 4.0 3B Vision，一个面向企业文档理解的小型视觉语言模型，以 LoRA 适配器形式叠加在 Granite 4.0 Micro 上，主打表格提取、图表理解和语义键值对提取。
Google DeepMind精选AI 评分6060 Google DeepMind 探索 AI 指针，将指向交互带入 Chrome 与 Googlebook
Google DeepMind 发布由 Gemini 驱动的 AI 指针实验项目，提出维持心流、展示即告知、善用 this/that、把像素变成可操作实体四项交互原则，让用户通过指向和语音代替复杂提示词。
推荐理由：原文给出了AI指针的四项交互原则和落地场景，读者可以据此了解指向加语音如何替代复杂提示词。
Google DeepMind精选AI 评分6666 Google DeepMind 发布 Gemini 3.1 Flash Live 语音模型
Google DeepMind 发布实时语音模型 Gemini 3.1 Flash Live，称其为迄今最高质量的音频模型，延迟更低、对话更自然。在 ComplexFuncBench Audio 上得分 90.8%，在开启 thinking 的 Scale AI Audio MultiChallenge 上得分 36.1%，均领先前代模型。
推荐理由：官方给出两项音频基准分数和多产品开放入口，读者可以据此评估它对语音智能体开发的实际改进。
Google DeepMindAI 评分5555 Google DeepMind 发布 Lyria 3 Pro，支持生成最长 3 分钟且带结构的完整曲目
Google DeepMind 推出 Lyria 3 Pro，可生成最长 3 分钟的曲目，并支持按前奏、主歌、副歌、桥段等结构元素定制。模型已进入 Vertex AI 公开预览、AI Studio 与 Gemini API、Google Vids、Gemini 应用和 ProducerAI；输出均嵌入 SynthID 水印，且不模仿具名艺术家。
Google ResearchAI 评分4343 Google Research 推出 S2Vec：用自监督嵌入学习城市建成环境的“语言”
Google Research 在 Earth AI 计划下推出 S2Vec，一个自监督框架，将建成环境栅格化为多层级特征图像，再用 masked autoencoding 学习通用地理位置嵌入。评测显示 S2Vec 在零样本地理外推任务（如全美人口密度、中位收入预测）上通常是表现最好的单一模型，与图像嵌入做多模态融合后整体优于任一单一模态，但在树冠覆盖、海拔等环境类任务上仍需改进。
Google ResearchAI 评分4242 Google Research 在 The Check Up 活动：从医疗 AI 创新到真实诊疗场景
Google Research 在 The Check Up 活动上展示其在医疗健康领域的最新 AI 进展。