Google DeepMind 發佈圖像生成模型 Nano Banana 2（Gemini 3.1 Flash Image），以 Flash 速度帶來 Nano Banana Pro 的世界知識、品質與推理能力。
推薦理由：Nano Banana 2 將 Nano Banana Pro 的世界知識、視覺品質與創作控制帶到 Flash 速度，並交代其在 Google 產品中的推出範圍及 Nano Banana Pro 的保留使用方式，説明兩款模型面向的工作流程差異。
OpenAI 與太平洋西北國家實驗室合作推出 DraftNEPABench，評估 AI 編碼智能體加快聯邦許可審批的能力。該 benchmark 顯示，AI 有望將 NEPA 草案撰寫時間最多縮短 15%，並展示現代化基礎設施審查的潛力。
OpenAI 與 Figma 推出新的 Codex 整合，連接程式碼與設計，讓團隊能在實作環節與 Figma 畫布之間切換。這項整合讓團隊可以更快迭代並交付。
OpenAI 最新威脅報告探討惡意行為者如何將 AI 模型與網站及社交平台結合使用。報告亦分析這類活動對偵測與防禦工作的意義。
OpenAI 任命 Arvind KC 出任首席人事官，協助公司擴大規模並強化企業文化。其職責亦包括帶領 AI 時代工作方式的演變。
OpenAI 不再評測 SWE-bench Verified，因其日益受到污染，且無法準確衡量前沿編碼進展。分析指出，該基準的測試存在缺陷，並有訓練洩漏；OpenAI 建議採用 SWE-bench Pro。
OpenAI 宣佈 Frontier Alliance Partners，協助企業將 AI 試點項目轉入生產環境，並以安全、可擴展的方式部署智能體。
OpenAI 分享其 AI 模型在 First Proof 數學挑戰中的證明嘗試。這些嘗試用於測試模型處理專家級問題的研究級推理能力。
GGML 團隊加入 Hugging Face，並將持續維護 llama.cpp；Hugging Face 會為項目提供長期資源支持。團隊仍將 100% 時間用於維護，並對技術方向及社羣保有完全自主權與領導權；項目會繼續 100% 開源並由社羣推動。雙方計劃讓 transformers library 的模型定義更順暢地用於 llama.cpp，並改善 ggml 軟件封裝及本地模型部署體驗。
推薦理由：文章交代 GGML 團隊加入後 llama.cpp 的維護自主權與資源支持，也列出連接 transformers library 模型定義及改善本地部署體驗的方向。
Google DeepMind 發佈 Gemini 3.1 Pro，作為 Gemini 3 系列核心模型升級，提升複雜問題的推理能力。它在 ARC-AGI-2 取得經驗證的 77.1% 得分，推理表現超過 Gemini 3 Pro 兩倍。
推薦理由：Gemini 3.1 Pro 在 ARC-AGI-2 取得經驗證的 77.1% 得分，並稱推理表現超過 Gemini 3 Pro 兩倍，為核心推理升級提供量化比較依據。
OpenAI 承諾向 The Alignment Project 投入 $7.5M，資助獨立的 AI 對齊研究。這項資助將加強全球應對 AGI 安全與保安風險的工作。
OpenAI 推出 OpenAI for India，透過建設本地基礎設施、助力企業及提升勞動力技能，擴大 AI 在印度各地的可及性。
Google DeepMind 在 Gemini app beta 推出 Lyria 3 音樂生成模型，使用者可用文字提示或上傳照片、影片生成 30 秒音軌。系統會按提示生成歌詞，並可調整風格、人聲和節奏；音軌嵌入 SynthID，Gemini 的核驗功能亦延伸至音訊，使用者可上傳檔案詢問其是否由 Google AI 生成。
推薦理由：Lyria 3 在 Gemini app 開放以文字、圖片或影片生成音樂，並納入 SynthID 與音訊核驗，呈現創作功能和 AI 內容識別並行的設計。
OpenAI 與 Paradigm 推出 EVMbench，評測 AI 智能體偵測、修補及利用高危智能合約漏洞的能力。
Gradio 6 的 gr.HTML 現支援自訂 HTML 模板、作用域 CSS 與 JavaScript 互動，讓 LLM 可把前端、後端和狀態管理整合到單一 Python 檔案，構建互動式 Web 應用。
Google Research 提出 MapTrace，以合成數據訓練多模態大語言模型（MLLM）在地圖上追蹤有效路徑，應對模型難以理解空間幾何與拓撲關係的問題。
Google DeepMind 宣佈與印度政府部門及當地機構建立新合作，擴大 AI 在科學與教育領域的應用。合作將向印度研究人員提供 AlphaGenome、AI Co-scientist 和 Earth AI，並推出 $30 million Google.org Impact Challenge: AI for Science。
推薦理由：文章列出研究機構合作、AI 科學挑戰賽及教材互動化安排，呈現 Google DeepMind 在印度推進科學與教育應用的具體路徑。
GPT-5.2 在理論物理中提出一條新的膠子振幅公式，一篇新預印本記錄了這項結果。OpenAI 與學術合作者其後正式證明並驗證了該公式。
推薦理由：材料交代 GPT-5.2 提出的膠子振幅公式及 OpenAI 與學術合作者其後的正式證明和驗證，呈現模型研究結果的核查環節。
OpenAI 為 ChatGPT 推出 Lockdown Mode 及 Elevated Risk 標籤。兩者旨在協助機構防範提示詞注入與 AI 驅動的資料外洩。
OpenAI 推出開源工具包 GABRIEL，利用 GPT 將定性文本和圖像轉化為定量數據，協助社會科學家大規模分析研究。工具以開源形式提供。
OpenAI 建立結合速率限制、用量追蹤與 credits 的即時存取系統，支援 Sora 和 Codex 持續存取。
Hugging Face 製作 CUDA kernel 技能，Claude 和 Codex 依此為 diffusers 與 transformers 目標產生可運行的 kernel。
推薦理由：文章拆解如何把 GPU 架構知識、PyTorch 整合範式與基準測試流程封裝成技能，讓編碼智能體產出可構建、可測試的 CUDA kernel 專案。
Google DeepMind 發佈 Gemini 3 Deep Think 重大升級，面向科學、研究與工程領域的複雜挑戰。
推薦理由：文章列出數學、編程及科學基準的具體成績，並交代 Gemini app 與 Gemini API 的開放方式，呈現本次升級的評測範圍和使用入口。
OpenAI 發佈 GPT-5.3-Codex-Spark，並稱其為首個即時編碼模型，生成速度快 15x，具備 128k 上下文窗口。目前以研究預覽形式向 ChatGPT Pro 用户提供。
推薦理由：公告列出生成速度、上下文窗口及研究預覽的適用對象，讓讀者可同時瞭解 GPT-5.3-Codex-Spark 的性能宣稱與目前開放範圍。
OpenAI 技術人員 Ryan Lopopolo 探討 Harness 工程，聚焦在智能體優先的世界中如何運用 Codex。
Google Research 提出開源原型框架 DialogLab，用於編寫、模擬及測試動態人類與 AI 羣體對話。框架採用「編寫、測試、驗證」流程，並以視覺化介面及驗證儀錶板協助設計與分析對話。14 名參與者的評估顯示，人類控制模式顯著更具投入感，並普遍被認為更有效、寫實。
OpenAI for Government 宣佈在 GenAI.mil 部署自訂版 ChatGPT，為美國國防團隊帶來具安全保障、並以安全性為先的 AI。
Hugging Face 宣佈 Transformers.js v4 已上架 NPM，安裝命令為 `npm i @huggingface/transformers`。
推薦理由：v4 支援 Node、Bun 和 Deno 的 WebGPU 加速，預設網頁版縮小 53%，呈現跨環境部署與下載、啟動效率的具體改進。
OpenAI 分享其 AI 本地化方法，説明如何因應本地語言、法律與文化調整全球共享的前沿模型，同時不損及安全。其目標是讓 AI 惠及各地所有人。
OpenAI 的 GPT-5 與 Ginkgo Bioworks 的雲端自動化結合成自主實驗室，透過閉環實驗將無細胞蛋白質合成成本降低 40%。
OpenAI 推出 Trusted Access for Cyber，這是一套以信任為基礎的框架，旨在擴大前沿網絡能力的使用權限，同時加強防範濫用的保障措施。
Google 提出 Natively Adaptive Interfaces（NAI）框架，以多模態 AI 工具建立更個人化、具適應性的無障礙應用介面。NAI 主張按情境資訊作出設計決策，並以動態、由智能體驅動的模組取代靜態導覽。Gemini 原型可將即時影片轉為互動音訊描述，讓使用者即時查詢畫面細節。
OpenAI 推出 Frontier，作為建置、部署及管理 AI 智能體的企業平台。平台提供共享上下文、導入、權限及治理功能。
OpenAI 發佈 GPT-5.3-Codex，這款 Codex 原生智能體結合前沿編碼表現與通用推理，支援長週期的現實技術工作。
GPT-5.3-Codex 系統卡將該模型描述為迄今能力最強的智能體編碼模型。它結合 GPT-5.2-Codex 的前沿編碼表現，以及 GPT-5.2 的推理和專業知識能力。
Mistral AI 發佈 Voxtral Transcribe 2，包含用於批次轉寫的 Voxtral Mini Transcribe V2，以及面向即時應用的 Voxtral Realtime。
推薦理由：批次版與即時版的定位和能力差異清晰，文章亦列出即時轉寫的延遲設定、開放權重授權及兩款模型的 API 價格，便於比較部署選項。
Google Research提出 Sequential Attention，將子集選擇整合至單次模型訓練，以較低開銷提升模型效率並維持準確度。該方法以注意力分數逐步挑選特徵，在多項神經網絡基準測試中取得最先進結果。
Hugging Face Hub 推出 Community Evals，讓 benchmark 資料集託管排行榜，並在模型卡片展示評測分數。使用者可透過 PR 為任意模型提交結果，結果會標示為「community」，且可附上論文、Model Card 或評測日誌等來源。資料集可用 eval.yaml 定義評測規格，供他人重現；這項功能目前處於 beta。
推薦理由：Hugging Face 將評測規格、模型分數與社羣提交納入 Hub 的可追溯流程，Hub 的 Git 歷史記錄新增及修改時間，方便聚合比較不同來源的模型成績。
Google Research 與 Included Health 宣佈，待機構審查委員會（IRB）批准後，將在全美開展前瞻性、經參與者同意的隨機研究，評估對話式 AI 在真實虛擬醫療流程中的表現。研究將把 AI 管理患者互動的能力與限制，和標準臨牀實踐比較，從模擬研究及單中心可行性測試推進至全國規模的真實臨牀評估。
DeepSeek R1 之後，中國開源 AI 生態正由模型擴展至部署、軟硬件協同與治理，開源成為中國 AI 機構近期的主流路徑。截至 2025 年中，逾 113k 個模型以 Qwen 為基礎，逾 200k 個模型倉庫標記 Qwen，遠多於 Meta 的 Llama（27k）和 DeepSeek（6k）。