多模態

推薦理由：這次更新把圖片理解、生成與編輯納入同一試算表流程，並以手寫食譜示範從提示詞抽取文字、修訂結果到匯出資料集的做法。

推薦理由：文章對照模型能力、輸出格式、評測基準與部署成本，並建議以代表性樣本檢驗不同文件和語言下的表現。

推薦理由：文章展示 VLM 在 Intel CPU 上以 OpenVINO 完成轉換、兩種量化和推理的三步流程，並交代靜態量化校準與精度影響。

推薦理由：公告同時列出語音對語音模型與 Realtime API 的更新，並點明 MCP server、圖像輸入及 SIP 電話呼叫支援，方便掌握本次功能範圍。

推薦理由：Le Chat 把研究、語音、多語言推理、Projects 與圖片編輯納入同一產品，呈現其如何覆蓋資訊整理、語音互動和圖像修改等不同任務。

推薦理由：Voxtral 同時提供 24B 與 3B 版本及 API 使用方式，並列出音訊時長上限和起始價格，方便比較本地部署與雲端接入的適用情境。

推薦理由：文章並列模型的實際參數量、GPU 記憶體需求和多個工具庫的接入方式，方便衡量 Gemma 3n 本地多模態部署時的硬件門檻與工具選擇。

推薦理由：文中比較社羣數據預訓練前後的成功率，以及同步與非同步推理的完成時間和吞吐量，呈現數據與推理架構各自帶來的變化。

推薦理由：文章將 Mistral Medium 3 與 Claude Sonnet 3.7 的基準表現、API 定價和自託管條件放在一起比較，呈現企業部署時效能、成本與部署方式之間的核心取捨。

推薦理由：文章交代 Llama Guard 4 的圖文審核範圍與單張 24 GB VRAM GPU 部署條件，並附 Llama Prompt Guard 2 分類器規格及使用示例。

推薦理由：文章整理了長上下文所用的 NoPE、分塊注意力與 temperature tuning 設計，讓讀者瞭解 Llama 4 延伸上下文窗口的架構取捨。

推薦理由：三項資源分別涵蓋可控合成場景、機械人訓練數據與人形機械人推理及技能，呈現 Physical AI 開發中生成、訓練和執行能力的不同分工。

推薦理由：文中將 Mistral Small 3.1 的文本、多模態、長上下文與多語言表現放入同級比較，並列出本地運行條件及下載、API 等使用入口。

推薦理由：文章整理 Gemma 3 各版本的上下文、圖像與語言支援差異，並列出 Transformers、MLX 和 llama.cpp 的推理入口，方便比較使用路徑。

推薦理由：Mistral OCR 可解析 PDF、圖片中的表格與公式，並支援 JSON 輸出，展示文件接入 RAG 與 Agent 工作流的實際做法。

推薦理由：文章拆解合成標註、多語言資料擴充與多模態模型合併等訓練做法，呈現 Aya Vision 的多語言視覺語言建模路徑。

推薦理由：SigLIP 2 把解碼器監督、自蒸餾與遮罩預測納入訓練，並提供動態解析度版本，展示提升局部語義表徵與適應不同長寬比的訓練思路。

推薦理由：文章同時列出 2.2B、500M、256M 規模及 Video-MME 表現，方便比較不同參數量下的影片理解能力取捨。

推薦理由：三類實測呈現 GPU、batch size 與並行 VUs 對成本和延遲的影響，並提供可替換模型與硬件重跑的流程，供讀者估算自有配置處理 1B 筆輸入的開支。

推薦理由：le Chat 整合文件分析、Code interpreter、圖像生成與日常助理用途，並以免費、Pro、Team及企業私有部署方案覆蓋不同場景。