文本之外的能力：視覺理解、圖文混合、音訊與影片的輸入輸出的模型與產品進展。
字節 Seed 正式發布新一代影片創作模型 Seedance 2.5，單次最長可生成 30 秒影片，並支援多輪延長、多模態參考及時間戳精準編輯。用戶單次最多可輸入 30 張圖片、10 段影片和 10 段音訊作參考，模型亦提升長影片連貫性及綠幕、視角和運鏡編輯能力。Seedance 2.5 正陸續於即夢 AI、豆包專業版上線，API 服務近期亦將上線火山方舟。
推薦理由：Seedance 2.5 將單次影片生成時長提升至 30 秒，並支援多輪延長、多模態參考及時間戳編輯，呈現影片創作由片段輸出走向完整流程的能力變化。
LlamaIndex 在 OpenAI Developer Day 當日為其程式庫加入對兩款新模型及多項 OpenAI 功能的支援。
推薦理由：文章列出 LlamaIndex 對新模型、Azure endpoints、嵌入向量抽象層及函數調用的支援，並附模型調用程式例子，呈現這次更新涵蓋的整合範圍。
Microsoft 在 Build 2026 的 MAI 主題演講中宣佈推出七款涵蓋圖像、語音、轉錄、推理及編碼的新模型。
推薦理由：演講將模型基準、產品整合和權重調校渠道並列，呈現 Microsoft 從模型發布延伸至企業定製的產品路徑。
Meta 發佈多模態推理模型 Muse Spark 1.1，稱其較 Muse Spark 在工具與電腦操作、編碼及多模態理解方面均有重大提升。模型可協調多個子智能體並管理 1 million tokens 的上下文窗口；開發者現可透過公開預覽中的 Meta Model API 使用，Meta AI app 和 meta.ai 亦提供 Thinking 模式。
推薦理由：Muse Spark 1.1 聚焦智能體工作流，涵蓋多智能體協作、電腦操作與 1 million tokens 上下文，並透過 Meta Model API 開放公開預覽。
Microsoft Research 介紹 Quine，一個結合生物學多模態世界模型與互動式研究流程的 AI 研究系統，並開放首屆 Quine Fellows 計劃申請。
推薦理由：Quine 將跨生物模態的世界模型接入文獻、科研工具與實驗迴圈，並以胰臟癌細胞狀態轉換案例展示預測如何進入濕實驗驗證。
小米推出 MiMo-V2.6-Pro，該模型在 Artificial Analysis Intelligence Index 得 46 分，排名開放權重模型首位。
推薦理由：文中並列模型榜單、RL 訓練成本與將開源的環境配方，呈現這次發佈由模型權重延伸至後訓練流程的技術脈絡。
Google DeepMind 推出 Gemini Omni 1.1 Flash，為影片生成加入場景延伸、首尾幀控制、影片參考輸入及 1080p 或 4K 輸出。
推薦理由：場景延伸可分析最多10秒的既有影片，並以10秒增量延長至累計40秒；配合首尾幀指定，呈現更長影片創作中的控制方式。
Google DeepMind 發佈 SL2T 多語言手語轉文字模型，為 Gboard 和 Live Transcribe 帶來手語轉文字功能，首階段支援 ASL 至英文。
推薦理由：SL2T 以簽署者的身體姿態座標直接翻譯成文字，原始影片會即時丟棄，呈現其輸入處理方式與私隱保護設計。
Google Research 展示基於 Gemini 和 Project Astra 的 AMIE (Video)，在模擬即時視像會診中，核心臨牀能力獲評與基層醫生相當。
推薦理由：研究以 300 場模擬視像會診比較 AMIE (Video)、文字版 AMIE 與基層醫生，呈現視聽感知和虛擬檢查的表現差異，並交代病人演員研究的適用邊界。
Meta 發佈 Muse Glimmer，一款由 Muse 蒸餾而來、面向本地智能體應用的多模態 30B 模型，採用 Apache 2.0 授權。模型由 2B ViT-style 視覺編碼器和 28B 文字解碼器組成，支援圖像、影片輸入及多模態工具調用。
推薦理由：文章把 Muse Glimmer 的本地智能體定位、30B 架構與 transformers、llama.cpp、vLLM 等入口連起來，提供從本地推理到託管部署的實作參考。
Mistral AI 發佈 Shieldstral，一款 3B 開放權重多模態安全分類器，可用自然語言政策評估文字與圖像，無須重新訓練。它將內容審核設計為可在推理時指定政策的二元問答，並輸出校準後的安全分數；Mistral 稱其在多項基準上匹配或超越模型規模最高達其 7x 的開放權重安全模型。
推薦理由：將審核政策置於推理時的自然語言問題中，使同一個 3B 模型可按部署情境調整文字與圖像判斷，無須重新訓練。
Google DeepMind 發佈 Gemini Robotics ER 2，這款面向機械人的具身推理模型可理解連續影片、編排多步任務，並支援多機械人協作。它在任務進度分類達 57.4% 準確率，關鍵時刻定位達 91.3% 準確率、平均絕對距離為 0.96s。
推薦理由：文章將影片進度追蹤與多機械人協作納入模型更新，並提供任務評測數據，讓讀者掌握 Gemini Robotics ER 2 的具身推理能力變化。
Google DeepMind 發佈 Gemini Robotics 2 系列模型，為機械人帶來全身控制、靈巧操作及多機協作能力。系列包括將視覺與語言輸入轉為動作控制的 Gemini Robotics 2、用於具身推理與多步任務規劃的 Gemini Robotics ER 2，以及可在機械人裝置本地運行的 Gemini Robotics On-Device 2。
推薦理由：全身控制、靈巧操作、多機協作與本地適配均有具體案例，呈現 Gemini Robotics 2 系列面向機械人任務的能力佈局。
Google DeepMind 發佈 Gemini 3.6 Flash、3.5 Flash-Lite 和 3.5 Flash Cyber，涵蓋智能體工作流、低延遲高吞吐任務及網絡安全場景。
推薦理由：文章列出 3.6 Flash 與 3.5 Flash-Lite 的速度及成本指標，並説明 Cyber 模型將透過有限試點提供，呈現不同工作負載的部署差異。
Google DeepMind 發佈 Gemma 4 12B，定位為可在筆記型電腦本機運行的多模態模型，並為中型模型加入原生音訊輸入。它採用免多模態編碼器架構，將視覺和音訊輸入直接整合至 LLM backbone；標準基準表現接近 26B MoE，總記憶體佔用不足其一半。Gemma 4 12B 以 Apache 2.0 授權釋出，可透過 LM Studio、Ollama 等工具試用。
推薦理由：Gemma 4 12B 的免編碼器設計、接近 26B MoE 的基準表現與較低記憶體佔用，提供比較中型多模態模型架構和本機部署定位的具體依據。
編碼智能體串接兩個 Hugging Face Spaces，生成巴黎地標圖像及 3D Gaussian splats，並將畫廊部署為靜態 Space mishig/monuments-de-paris。
推薦理由：案例展示了透過 Hugging Face Spaces 的 agents.md 串接圖像生成與單圖 3D 重建，並以各一句提示複用到日本及埃及主題畫廊，呈現多媒體工作流的可遷移性。
NVIDIA 發佈 Nemotron 3.5 Content Safety，將多模態輸入、多語言覆蓋、自訂企業政策與可審計推理整合至單一 4B 模型。模型基於 Google Gemma 3 4B IT，明確訓練覆蓋 12 種語言，並承接其約 140 種語言的 zero-shot 泛化；可選 THINK mode 會輸出推理軌跡。
推薦理由：Nemotron 3.5 將多模態判定、自訂政策和可審計推理整合於 4B 模型，並附訓練資料集，提供企業安全審核的部署參考。
Google DeepMind 推出 Gemini Omni 系列首個模型 Gemini Omni Flash，可結合圖像、影片、文字及語音參考生成影片，並支援透過對話編輯。
推薦理由：材料把 Gemini Omni Flash 的多模態輸入、對話式影片編輯和分階段上線平台放在一起，便於理解新模型如何連接生成能力與實際使用入口。
Google DeepMind 發佈 Gemini 3.5 模型系列，首款 Gemini 3.5 Flash 即日起透過 Gemini app 和 Google Search 的 AI Mode 向全球用户開放。
推薦理由：Gemini 3.5 Flash 列出代理任務、編碼及多模態基準成績，並比較每秒輸出 tokens 的速度，讓性能主張有多項指標可供對照。
Google DeepMind 宣佈 AI co-clinician 研究計劃，探索讓 AI 在醫生專業監督下協助患者照護。在 98 個基層醫療問題的評估中，97 個案例錄得零項嚴重錯誤；在開放式藥物問答中，系統表現勝過可用的前沿 AI 系統。
推薦理由：文章並列呈現 AI co-clinician 在證據整理、藥物問答和多模態問診的測試結果，並以醫生整體表現較佳界定其臨牀輔助定位。