Google DeepMind 发布 Gemini 3 Pro，编码与多模态能力全面升级
Google DeepMind 发布 Gemini 3，称 Gemini 3 Pro 为其最智能模型，在各大基准上超越此前的 2.5 Pro。
推荐理由：官方发布给出了 Gemini 3 Pro 的基准成绩、API 定价和新工具入口，开发者可以直接评估是否迁移到现有编码与智能体工作流。
#多模态
#多模态
今日 4 条Google DeepMind精选AI 评分8585 Google DeepMind精选AI 评分8585 Google DeepMind 发布 Gemini 3 Pro 预览版及 Gemini 3 Deep Think
Google DeepMind 发布 Gemini 3，先以 Gemini 3 Pro 预览版形式推出，并预告增强推理模式 Gemini 3 Deep Think。
推荐理由：官方发布给出完整基准成绩和覆盖入口，读者可据此判断 Gemini 3 Pro 的推理与编码能力以及它如何嵌入现有工具链。
Google Research精选AI 评分6464 Google 推出生成式 UI：Gemini 3 为任意提示词动态生成可交互界面
Google 发布生成式 UI 实现，可按提示词动态生成网页、游戏、工具等定制交互界面，相关论文为 Generative UI: LLMs are Effective UI Generators。
推荐理由：原文介绍了生成式 UI 的实现原理、产品入口和人评结果，读者可以了解这一交互范式如何落地到现有产品。
Google ResearchAI 评分4545 Google 用 AI 区分天然森林与其他树木覆盖，助力无毁林供应链
Google 与 Google DeepMind 联合 World Resources Institute 等机构发布 Natural Forests of the World 2020 地图与数据集，成果发表于 Nature Scientific Data。
Google DeepMindAI 评分5050 Google DeepMind 研究：让 AI 视觉表征更接近人类的方式看世界
Google DeepMind 在 Nature 发表论文，分析 AI 视觉模型组织视觉世界的方式与人类不同，并提出一种对齐方法。该方法基于预训练模型 SigLIP-SO400M 和包含数百万条人类“找出不同项”判断的 THINGS 数据集，训练教师模型后生成百万图像规模的新数据集 AligNet，再用其微调学生模型。对齐后的模型内部表征按类别清晰组织，鲁棒性和泛化能力得到提升。
Google DeepMindAI 评分4545 Google 用 AI 绘制物种分布图、预测森林砍伐并升级生物声学模型 Perch
Google DeepMind 发布三项生物圈研究：与 World Resources Institute 合作建立基于 vision transformers 的森林砍伐风险预测模型，分辨率达 1km²、预测可细至 30 米，覆盖 2000-2024 年，并发布预测基准数据集。
Google ResearchAI 评分4545 Google 发布 ForestCast：用深度学习预测森林砍伐风险
Google Research 与 World Resources Institute 合作发布 ForestCast，一个基于纯卫星数据、用 vision transformers 预测森林砍伐风险的深度学习模型，准确度可持平或超过依赖道路等专用输入的现有方法。
Google ResearchAI 评分4747 Google 推出 StreetReaderAI：用情境感知多模态 AI 让街景对视障用户可用
Google Research 在 UIST'25 上发布 StreetReaderAI，一个基于 Gemini 的无障碍街景概念验证原型，可为盲人和低视力用户提供实时 AI 场景描述与对话导航。
Google ResearchAI 评分5151 Google 基于 Gemini 构建 Fitbit 个人健康教练并开启公测
Google 推出由 Gemini 模型驱动的个人健康教练，从次日起向符合条件的美国 Fitbit Premium Android 用户开放自愿参与的公开预览，并将很快扩展到 iOS。系统采用多智能体框架（对话、数据科学、领域专家子智能体），基于 SHARP 评测框架进行验证，涉及超 100 万条人工标注和超 10 万小时专家评估。
Google Research精选AI 评分6262 Google 发布 Earth AI 技术论文，详解基础模型与跨模态地理空间推理
Google 发布 Google Earth AI 相关技术论文，介绍新的 Imagery 与 Population 基础模型，以及由 Gemini 驱动的 Geospatial Reasoning 智能体，用于多步地理空间问答。
推荐理由：官方同步放出技术论文和评测数字，读者可以据此了解跨模态地理空间推理的实际能力边界与应用案例。
Hugging Face Blog精选AI 评分6464 Hugging Face AI Sheets 新增视觉能力，支持图像提取、生成与编辑
Hugging Face 宣布其开源无代码工具 AI Sheets 新增视觉支持，可在表格中分析图片、提取结构化数据、从文本生成图像并用 Qwen-Image-Edit 等模型编辑图像。
推荐理由：官方发布带来图像提取、生成与编辑能力，教程演示了手写菜谱数字化等具体用法，便于读者评估是否引入自己的数据工作流。
Hugging Face Blog精选AI 评分6464 Hugging Face 发布开源 OCR 模型选型指南
Hugging Face 发布开源 OCR 模型指南，新增 Chandra 和 OlmOCR-2 及其 OlmOCR Benchmark 得分。
推荐理由：指南基于 OlmOCR Benchmark 等公开基准对比了 9 个开源 OCR 模型的格式、大小与成本，并给出按使用场景选型的具体方法。
Hugging Face BlogAI 评分5050 NVIDIA 发布 Nemotron-Personas-India：面向主权 AI 的开源合成人物数据集
NVIDIA 发布 Nemotron-Personas-India，首个对齐印度真实人口分布的开源合成人物数据集，采用 CC BY 4.0 许可。数据集包含 2100 万个人物（3M 记录 × 7 人物），共 7.7 billion tokens，支持英语和印地语（天城文与拉丁字母），覆盖全部 36 个邦和 640 个地区。
Hugging Face BlogAI 评分5656 Hugging Face 教程：用 Core ML 和 MLX 把 dots.ocr 转换到端侧运行
Hugging Face 发布三篇系列的第一部分，记录如何将 RedNote 的 3B 参数 OCR 模型 dots.ocr 转换为端侧运行。dots.ocr 由 1.2B 参数 NaViT 架构视觉编码器和 Qwen2.5-1.5B 主干组成，在 OmniDocBench 上超过 Gemini 2.5 Pro。
Hugging Face BlogAI 评分5555 Hugging Face 发布 Smol2Operator：将 SmolVLM2-2.2B 训练为 GUI 智能体的完整开源方案
Hugging Face 发布 Smol2Operator 方案，将无 GUI 定位能力的 SmolVLM2-2.2B-Instruct 通过两阶段 SFT 训练为 GUI 智能体，在 ScreenSpot-v2 上从基线 0 提升到 61.71%。
OpenAI NewsAI 评分2121 SchoolAI 基于 GPT-4.1 构建赋能教师的 AI 平台
SchoolAI 基于 OpenAI 的 GPT-4.1、图像生成和 TTS 能力，构建了面向 K-12 教育的 AI 平台，目前已服务超过 100 万间教室。平台提供教师引导的安全 AI 工具，提升课堂参与度、教师监督能力和个性化学习体验。
Hugging Face BlogAI 评分4646 Hugging Face Gradio 新增可见水印功能
Hugging Face 让 Gradio 中的可见水印变得极其简单：创建 Space 中的应用或 demo 时，用一行命令即可添加水印。图片和视频通过 gr.Image 或 gr.Video 的 watermark 参数指定水印，支持文件名、在线图片或 numpy 数组；AI 生成的文本可通过 gr.Chatbot 的 watermark 参数，在用户复制 AI 回复时自动附上署名。
Hugging Face Blog精选AI 评分6565 mmBERT 发布：ModernBERT 架构扩展到 1800 多种语言的多语言编码器
mmBERT 发布，基于 ModernBERT 架构，在 1800 多种语言、3T+ token 上训练，是首个在 XTREME 等基准上超越 XLM-R 的多语言编码器。
推荐理由：原文给出三阶段训练细节和完整评测数据，读者可以据此评估其多语言与检索能力是否适合自己的场景。
Hugging Face BlogAI 评分3737 FilBench：评估 LLM 能否理解并生成菲律宾语的评测基准
Hugging Face 团队推出 FilBench 评测套件，覆盖 Tagalog、Filipino 和 Cebuano 三种语言，包含 Cultural Knowledge、Classical NLP、Reading Comprehension 和 Generation 四大类共 12 项任务，并据此评估了 20 多个主流 LLM。
OpenAI News精选AI 评分7979 OpenAI 发布 GPT-5，称其在多项能力上大幅跃升
OpenAI 发布 GPT-5，称其是目前最好的 AI 系统，智能水平较此前所有模型有显著跃升。GPT-5 在编码、数学、写作、健康、视觉感知等领域具有领先表现。
推荐理由：OpenAI 官方宣布 GPT-5 发布，可借此了解其在编码、数学、写作等多项能力上的定位。
Mistral AIAI 评分4242 通过微调释放 Pixtral-12B 在卫星图像上的潜力
Mistral 展示如何通过 LoRA 微调 Pixtral-12B 提升其在卫星图像分类任务上的表现，实验基于 Aerial Image Dataset（AID），采用 8,000 训练样本和 2,000 测试样本的划分。
Hugging Face BlogAI 评分5353 Hugging Face 发布 TimeScope 长视频理解基准
Hugging Face 发布开源基准 TimeScope，将约 5-10 秒的短视频"针"插入 1 分钟到 8 小时的基础视频中，评测局部检索、信息综合和细粒度时序感知三类能力。测试发现多数先进模型在真实时序任务上仍吃力，Gemini 2.5-Pro 是唯一在超过一小时视频上保持高准确率的模型，而扩大参数量并不能延长模型的有效时序范围。数据集、排行榜和 lmms-eval 评测框架均已开源。
Mistral AIAI 评分5959 Mistral Le Chat 上线 Deep Research、语音模式、Projects 等多项新功能
Mistral 为 Le Chat 推出一批新功能，包括预览版 Deep Research 研究报告模式、基于 Voxtral 模型的语音模式、由 Magistral 驱动的多语言推理 Think 模式、按上下文组织对话的 Projects，以及与 Black Forest Labs 合作的高级图像编辑。新功能已在 chat.mistral.ai 和移动应用开放使用，无需信用卡。
OpenAI NewsAI 评分2121 Invideo AI 使用 OpenAI 模型将视频创作速度提升 10 倍
Invideo AI 使用 OpenAI 的 GPT-4.1、gpt-image-1 和 text-to-speech 模型，将创意构思转化为专业视频，速度提升 10 倍，几分钟即可完成。
Hugging Face BlogAI 评分5555 Hugging Face 团队用背包算法优化多模态数据管线
Hugging Face 团队在 nanoVLM 项目中发现训练慢的根源是数据管线浪费，朴素 padding 约浪费 60% 的 batch。文章分五阶段构建高效管线，用背包问题的 greedy 与 bin-packing 策略打包样本，兼顾 token 长度和图像预算，显著减少 padding。
Hugging Face BlogAI 评分5757 NVIDIA 发布 Llama Nemotron Nano VL 8B 视觉语言模型并上线 Hugging Face
NVIDIA 发布 Llama Nemotron Nano VL，一个面向智能文档处理的 8B 视觉语言模型，已在 Hugging Face 提供下载，并可通过 NVIDIA NIM API 使用。
Hugging Face Blog精选AI 评分7373 Gemma 3n 正式登陆开源生态，发布 E2B 与 E4B 两档端侧多模态模型
Google Gemma 3n 正式开源，发布 E2B 和 E4B 两个尺寸、各含 base 与 instruct 版本，支持图像、文本、音频和视频输入。E2B/E4B 实际参数为 5B/8B，但借助 MatFormer 架构与 Per-Layer Embeddings，仅需 2GB/3GB GPU 内存即可运行，E4B 还在 LMArena 上取得 1300+ 分数。
推荐理由：原文给出模型的有效参数设计、显存需求和各开源库用法，端侧开发者可以据此选择部署方式。
Hugging Face Blog精选AI 评分6161 H Company 发布开源 Action VLM 系列 Holo1，驱动 Web 智能体 Surfer-H
H Company 发布开源 Action VLM 系列 Holo1（含 Holo1-3B 与 Holo1-7B），并同步开源含 1,639 项 UI 任务的 WebClick 多模态定位基准。
推荐理由：官方给出模型规格、定位准确率和每任务成本数字，读者可据此评估这套开源 GUI 自动化方案的实际性价比。
Hugging Face BlogAI 评分4040 Falcon-Arabic：阿拉伯语大模型的突破
Hugging Face 联合 TII 推出 Falcon-Arabic，一个基于 Falcon 3 架构的 7B 参数多语言大模型，支持阿拉伯语和英语。模型通过扩展 32,000 个阿拉伯语 token 进行持续预训练，上下文长度为 32,000 tokens。
Hugging Face Blog精选AI 评分6868 Hugging Face 发布 nanoVLM：用纯 PyTorch 从零训练视觉语言模型的最简代码库
Hugging Face 发布 nanoVLM，一个纯 PyTorch 的轻量工具包，可在免费 Colab 上启动视觉语言模型训练，灵感来自 Andrej Karpathy 的 nanoGPT。
推荐理由：原文拆解了 nanoVLM 的架构、训练与推理全流程，代码轻量可读，适合想从头理解 VLM 训练机制的读者上手实践。
Hugging Face Blog精选AI 评分6868 Hugging Face 盘点视觉语言模型年度进展：更好、更快、更强
Hugging Face 发布长文，回顾 2024 年 4 月以来视觉语言模型（VLM）的关键变化与趋势。
推荐理由：Hugging Face 系统梳理了过去一年 VLM 的新架构、多模态 RAG、智能体与安全模型，可作为领域入门与选型参考。
Mistral AI精选AI 评分6565 Mistral 发布 Mistral Medium 3，性能达 Claude Sonnet 3.7 九成而成本更低
Mistral AI 发布 Mistral Medium 3，在多项基准上达到或超过 Claude Sonnet 3.7 的 90% 表现，定价为 $0.4 输入 / $2 输出每 M token，并称超越 Llama 4 Maverick 与 Cohere Command A。
推荐理由：官方给出与 Claude Sonnet 3.7 对比的基准成绩、定价和部署选项，读者可据此评估企业落地的性价比。
OpenAI NewsAI 评分2828 ChatGPT for Business 新功能：2025 年 4 月更新
OpenAI 展示 ChatGPT for Business 的最新实机演示，涵盖 o3、图像生成、增强记忆和企业内部知识功能。视频逐一演示这些新能力在业务场景中的使用方式。
Hugging Face BlogAI 评分4242 TNG 微调 olmOCR-7B-0225-preview，打造忠实还原页眉页脚的 OCR 引擎
TNG 基于 olmOCR-7B-0225-preview 微调出一款忠实 OCR 引擎，解决原模型忽略页眉页脚信息的问题，已开源到 HuggingFace。团队用 Qwen2.5-VL-72B-Instruct 生成了 8000 份文档的数据集，在 8xH100 节点上训练 2.5 epochs，默认超参数即可取得良好效果。
Hugging Face BlogAI 评分4747 Cohere 接入 Hugging Face Inference Providers
Cohere 正式成为 Hugging Face Hub 支持的 Inference Provider，也是首个在 Hub 上直接分享并提供模型推理的模型创建方。
Hugging Face BlogAI 评分5353 BSC-LT 发布 Visual Salamandra 7B 多模态模型，支持图像与视频理解
巴塞罗那超级计算中心语言技术实验室发布 Visual Salamandra，基于 Salamandra Instructed 7B，集成 SigLIP-So400m 视觉编码器、2 层 MLP 投影层和 late-fusion 技术，可处理单图、多图、视频和纯文本输入。
Hugging Face Blog精选AI 评分8080 Meta 发布 Llama 4 Maverick 与 Scout，Hugging Face 同步上线权重与生态支持
Meta 发布 Llama 4 Maverick（约 400B、128 专家）和 Scout（约 109B、16 专家），均为 17B 激活参数的 MoE 原生多模态模型，在最多 40 万亿 token、200 种语言数据上训练。
推荐理由：官方公告给出两款模型的参数、上下文长度与架构细节，读者可以据此评估部署门槛和与 transformers 的集成方式。
Mistral AI精选AI 评分6666 Mistral 发布 Mistral Small 3.1：多模态、128k 上下文、Apache 2.0 开源
Mistral AI 发布 Mistral Small 3.1，基于 Mistral Small 3 改进文本性能、增加多模态理解和 128k 上下文窗口，推理速度达 150 tokens 每秒。
推荐理由：官方给出基准对比、128k 上下文、单卡部署要求和开源下载入口，可据此评估其在小模型生态的定位。
Hugging Face Blog精选AI 评分8181 Google 发布开源多模态多语言长上下文模型 Gemma 3
Google 发布 Gemma 3 系列开源模型，提供 1B/4B/12B/27B 四种尺寸，4B 及以上支持图文输入和 140+ 种语言，上下文窗口扩展到 128K（1B 为 32K）。
推荐理由：文章梳理了 Gemma 3 各尺寸能力变化并给出 transformers、llama.cpp、MLX 的推理用法，便于判断上手方式。
Hugging Face BlogAI 评分5151 Yaak 与 Hugging Face LeRobot 团队发布全球最大开源自驾数据集 L2D
Yaak 与 LeRobot 团队发布开源自驾数据集 L2D（Learning to Drive），R4 版含 100 万个 episode、5000+ 小时驾驶、90+ TB 多模态数据，采集自德国 30 个城市的 60 辆驾校电动车。