文本之外的能力：视觉理解、图文混合、音视频输入输出的模型与产品进展。
Google DeepMind 发布最新音频模型 Gemini 3.5 Live Translate，支持 70 多种语言的近实时语音到语音翻译。该模型能自动检测语言并生成保留说话人语调、节奏和音高的流畅译文，通过持续生成语音而非等待说完来减少停顿。
推荐理由：原文展示了 Gemini 3.5 Live Translate 在连续流式翻译、保留语调及多端部署上的能力变化，为开发者与企业提供了实时语音交互的新方案。
Google DeepMind 发布 Gemma 4 12B，这是一款旨在在笔记本电脑上运行的高性能多模态模型。该模型采用统一的无编码器架构，视觉和音频输入直接流入 LLM 主干，无需传统独立编码器，从而降低延迟和内存占用。
推荐理由：原文给出了无编码器统一架构和16GB显存本地运行门槛，读者可以据此判断其在笔记本上实现多模态智能体的可行性。
Google DeepMind公布了一项在塞拉利昂进行的预注册试验结果，显示使用Gemini驱动的Guided Learning工具使学生在八周内数学成绩提升0.258个标准差，相当于1.2至1.7年的典型学习进度。
推荐理由：原文披露了塞拉利昂预注册试验的量化结果，展示了AI作为教学伙伴而非答案引擎的实际效能与行为改变。
Google DeepMind 在 Project Genie 中推出基于 Street View 的实景锚定能力，允许用户选择美国境内的真实地点作为生成世界的起点，并应用如“海洋世界”或“黑白电影”等风格进行创意重构。
推荐理由：Project Genie 接入 Street View 真实影像，让 AI 生成的虚拟世界能锚定现实地点，为智能体提供更具真实感的交互环境。
Google DeepMind 推出 Gemini Omni 系列首个模型 Gemini Omni Flash，支持从图像、音频、视频和文本输入生成高质量视频，并允许通过自然语言进行多轮对话式编辑。
推荐理由：原文展示了 Gemini Omni Flash 在视频生成与对话式编辑上的能力，并明确了其在多个 Google 产品中的落地入口。
Google DeepMind 宣布在 Search、Gemini、Chrome、Pixel 和 Cloud 中扩展内容透明度与验证工具，并推出新的 AI Content Detection API。
推荐理由：原文详述了 SynthID 与 C2PA 在搜索、Chrome 及 Pixel 端的落地细节，并推出面向企业的 AI 内容检测 API。
Google DeepMind 发布文章说明其 AI 气象模型 WeatherNext 协助美国国家飓风中心（NHC）提前五天以高置信度预测了飓风 Melissa 的增强与路径。
推荐理由：原文通过具体案例展示了AI模型在极端天气预测中的实际效能，为理解技术如何辅助人类决策提供了清晰视角。
Google DeepMind 发布 Gemini 3.5 系列并率先推出 3.5 Flash 模型，该模型主打智能体工作流与编码能力，已在 Terminal-Bench 2.1、GDPval-AA 和 MCP Atlas 等基准测试中超越 Gemini 3.1 Pro，输出速度比其他前沿模型快 4 倍。
推荐理由：原文给出了新模型在智能体与编码基准上的具体分数及速度对比，读者可据此评估其实际性能表现。
Google DeepMind 宣布启动 AI co-clinician 研究计划，旨在探索 AI 如何作为协作成员增强医生专业能力并提升护理质量。该研究在盲测评估中显示，AI co-clinician 在98个初级保健查询案例中有97例未出现关键错误，且在开放式药物知识问答上超越其他前沿模型。
推荐理由：原文展示了AI在真实临床查询中零关键错误及多模态远程诊疗的模拟评估，为理解医疗AI从文本向实时交互演进提供了具体数据支撑。
Anthropic 发布由 Claude Opus 4.7 驱动的 Claude Design，支持从自然语言描述直接生成可运行的 React/CSS 高保真交互原型。
推荐理由：作者通过实测案例展示了从模糊需求到可运行代码的完整流程，并对比了传统画布工具与AI原生设计工具的范式差异。
Google DeepMind 发布 Gemini Robotics-ER 1.6，这是一款专为机器人设计的高层推理模型，显著提升了空间推理、多视角理解和成功检测能力。该模型新增了仪表读取功能，能结合视觉推理与代码执行精确解读压力表等工业仪器，并已通过 Gemini API 和 Google AI Studio 向开发者开放。
推荐理由：新模型强化了空间推理与仪表读取能力，为机器人自主执行复杂物理任务提供了更可靠的感知基础。