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 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。