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。
AMD 以 82 亿美元收购 World Labs。World Labs 创始人李飞飞在博客中回顾，公司自 2024 年成立以来构建了图像、视频与空间重建的模型训练团队，并在收购 SceniX 后推进机器人仿真能力。其近期发布的 Atlas 是一种 omni 模型架构，从 2D 图像输入预测新视角，在稀疏重建这一计算机视觉长期难题上超过专用模型，可用于机器人 RL 环境、场景生成和现实世界重建。
推荐理由：AMD 收购 World Labs 的价格与 Atlas 在稀疏重建上的定位，能帮读者理解空间智能赛道的整合逻辑。
AMD 宣布以约 82 亿美元全股票交易收购李飞飞联合创办的 AI 研究实验室 World Labs，交易预计年底前完成。World Labs 于 2024 年成立，数月内估值达 10 亿美元，2025 年推出首个商业产品、可从提示词生成交互式 3D 世界的世界生成模型 Marble。
推荐理由：这笔全股票交易把世界模型研究团队并入芯片厂商，读者可据此观察 AI 硬件与模型研究的整合路径。
Google DeepMind 发布 Gemini 3.8 Live with Live Avatar，在 Gemini 3.8 Live 的原生实时对话模型上加入近实时视频生成，实现带口型同步、自然表情和流畅轮次切换的视觉化对话。
推荐理由：官方给出 Live Avatar 的实时视频对话能力、异步工具调用与 97 种语言支持，可据此判断企业级虚拟形象对话的落地边界。
Google DeepMind 在 Gemini 3.7 Flash、3.6 Flash 和 3.5 Flash-Lite 上推出智能体视频理解功能，官方称视频分析 token 消耗最多降低 88%、成本最多降低 66%、准确率最多提升 7%。
推荐理由：官方给出 token 与成本降幅及准确率变化，并说明在长视频场景下与静态逐帧处理的差异。
Google DeepMind 发布 Gemini Omni 1.1 Flash，为开发者带来更可控的生成视频能力，通过 Gemini API 在 Google AI Studio 提供。
推荐理由：官方给出场景延长、首尾帧插值与 4K 上采样等具体能力与定价入口，可据此判断生成视频工作流的可控性变化。
Google DeepMind 发布多语种手语转文本模型 SL2T，首次将手语 AI 带入消费级产品：在 Pixel 11 的 Gboard 和 Live Transcribe 中支持美国手语（ASL）转英文听写，后续将扩展更多设备与语言。
推荐理由：SL2T 把多语种手语翻译从实验室带进 Gboard 与 Live Transcribe，读者可了解其数据规模与端侧隐私设计。
Google DeepMind 发布 Gemini Robotics ER 2，这是其面向机器人的具身推理模型，可理解物理世界、规划多步任务，并把动作执行交给底层 VLA 模型，还能原生调用 Google Search 等工具。
推荐理由：官方给出视频理解、任务编排与多机器人协作的能力变化和开放入口，可据此判断机器人在真实环境中的任务完成方式。
Google DeepMind 发布 Gemini Robotics 2，作为新一代机器人的智能层，解锁全身控制、精细操作与多机器人协作。
推荐理由：官方给出三款模型的职责分工与开放入口，读者可据此判断机器人全身控制与多机协作的落地路径。
Google DeepMind 发布三款新 Gemini 模型：3.6 Flash、3.5 Flash-Lite 和面向网络安全的 3.5 Flash Cyber。
推荐理由：官方给出三款 Flash 系列的 token 效率、价格与基准对比，可据此判断智能体工作流的成本变化。
Google DeepMind 发布 Nano Banana 2 Lite（gemini-3.1-flash-lite-image）和 Gemini Omni Flash（gemini-omni-flash-preview）两款模型。
推荐理由：两款新模型给出了延迟、单价和可用入口，读者可据此判断图像与视频生成链路的成本与选型。
Google DeepMind 发布 Gemini 3.5 Live Translate，一款支持 70 多种语言的近实时语音到语音翻译音频模型，可自动检测语种并保留说话人的语调、节奏和音高。
推荐理由：官方披露了连续生成语音的取舍机制与 70+ 语种覆盖，可据此判断实时翻译的可用边界。
Google DeepMind 发布 Gemma 4 12B，一款面向笔记本的智能体多模态模型，介于边缘端 E4B 与 26B MoE 之间，也是其首个支持原生音频输入的中等规模模型。
推荐理由：Gemma 4 12B 用无编码器架构把视觉和音频直接接入 LLM，读者可据此判断本地多模态智能体的硬件门槛。
Google DeepMind 为实验性原型 Project Genie 推出 Street View 真实场景锚定能力，用户可选取美国地点并叠加风格，生成以真实影像为起点的可交互世界。该能力由 Maps Imagery Grounding 驱动，目前仅支持美国地点，并随 Project Genie 逐步向全球 Google AI Ultra 200 美元订阅用户（18 岁以上）开放。
推荐理由：官方披露 Genie 接入 Street View 真实影像的方式与开放范围，可据此判断世界模型落地路径。
Google DeepMind 发布 Omni 家族首个模型 Gemini Omni Flash，可组合图像、音频、视频和文本输入生成高质量视频，并通过自然语言多轮编辑视频。
推荐理由：Gemini Omni Flash 把对话式视频编辑和多模态输入整合进 Gemini 应用与 YouTube Shorts，读者可据此判断视频生成工作流的变化。
Google 宣布扩展内容透明度与验证工具，把 SynthID 验证从 Gemini 应用扩展到 Search，并将在未来几周进入 Chrome，此前该功能已被使用 5000 万次。
推荐理由：Google 把 SynthID 与 C2PA 验证铺到 Search、Gemini、Chrome 和 Pixel，读者可据此了解内容溯源工具的落地范围。
Google DeepMind 发布 Gemini 3.5 模型系列，首发的 3.5 Flash 面向智能体与编码任务，在 Terminal-Bench 2.1 上得分 76.2%、GDPval-AA 1656 Elo、MCP Atlas 83.6%，CharXiv Reasoning 多模态理解为 84.2%，输出 token 速度是其他前沿模型的 4 倍。
推荐理由：官方给出 3.5 Flash 在编码与智能体基准上的具体分数和开放渠道，可据此判断它在长程任务中的定位。
Google DeepMind 宣布 AI co-clinician 研究计划，探索 AI 智能体在医生临床监督下协助患者诊疗。在 98 个真实初级保健查询的盲评中，该系统 97 例无关键错误，医生对其回答的偏好高于主流证据综合工具；在 140 项问诊技能评估中，AI 在 68 项达到或超过初级保健医生水平，但专家医生在识别危险信号和指导关键体格检查上整体更优。
推荐理由：DeepMind 公开 AI co-clinician 研究，给出医生盲评与 140 项问诊能力对比数据，可了解医疗智能体当前边界。
Google DeepMind 发布 Gemini 3.1 Flash TTS，一款主打可控性与表现力的文本转语音模型，即日起面向开发者通过 Gemini API 和 Google AI Studio 预览，企业版在 Vertex AI 预览，Workspace 用户可通过 Google Vids 使用。
推荐理由：官方给出音频标签控制、Elo 1211 与 70+ 语言支持，可据此判断语音生成的可控性进展。
Google DeepMind 发布 Gemini Robotics-ER 1.6，这是其推理优先机器人模型的升级版，强化了空间推理与多视角理解，并新增仪表读数能力，可读取压力表、液位计和数字读数。
推荐理由：官方给出与前代及 Gemini 3.0 Flash 的对比，并首次开放仪表读数能力，可据此判断机器人高层推理的进展。
Google DeepMind 发布 Gemma 4 开源模型家族，包含 E2B、E4B、26B MoE 和 31B Dense 四个尺寸，采用 Apache 2.0 许可。
推荐理由：Gemma 4 以 Apache 2.0 开放四个尺寸，并给出 Arena 排名与端侧多模态能力，便于判断开源模型与硬件部署的取舍。