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。
Moonshot AI 在 Hugging Face 发布 Kimi-K2.6，这是开源的原生多模态智能体模型。该模型采用 MoE 架构，Total Parameters 1T、Activated Parameters 32B、Context Length 256K，支持长周期编码、coding-driven design、Agent Swarm、图像和视频输入。
推荐理由：原文同时给出模型结构、评测表和部署入口，便于对比其在编码与智能体任务中的定位。
Google DeepMind 推出 Gemini Robotics-ER 1.6，这是其面向机器人具身推理模型的重要升级，增强了空间推理和多视角理解能力。
推荐理由：原文给出与 1.5 和 Gemini 3.0 Flash 的对比，可看出具身推理在读表和安全约束上的进展。
Google DeepMind 发布 Gemma 4 开放模型家族，包含 E2B、E4B、26B MoE 和 31B Dense，面向高级推理和智能体工作流，并采用 Apache 2.0 license。
推荐理由：原文同时给出模型尺寸、端侧部署方式和生态入口，便于比较开放模型在硬件约束下的能力取舍。
Mistral AI 发布 Mistral Medium 3.5，这是 dense 128B 模型，支持 256k 上下文窗口，并将指令跟随、推理和编码能力合并到同一组权重中。
推荐理由：原文同时给出模型架构、替换范围和部署注意事项，便于评估其在聊天与编码场景的迁移成本。
Google DeepMind 展示了由 Gemini 驱动的 AI-enabled pointer 实验演示，并说明正在把相关原则用于 Chrome 和新的 Googlebook laptop experience。
推荐理由：原文把原型原则和 Chrome 落地放在一起，便于理解指针交互如何减少跨应用的提示词操作。
美团 LongCat 团队开源 LongCat-Next，这是基于 LongCat-Flash-Lite MoE backbone（A3B）的原生多模态模型，统一处理文本、视觉和音频。
推荐理由：材料同时给出模型范式、能力边界和部署条件，便于比较离散多模态路线的工程取舍。
Mistral AI 发布 Mistral Small 4，这是 Mistral Small 系列的下一次主要版本，把 Magistral 的推理、Pixtral 的多模态和 Devstral 的智能体编码能力整合到一个模型中。
推荐理由：原文同时给出架构参数、性能对比和部署入口，便于评估开放模型在多任务场景的取舍。
Mistral 在 Hugging Face 发布 Leanstral-2603（Leanstral 119B A6B），称其是首个面向 Lean 4 的开源代码智能体模型，用于证明工程场景。
推荐理由：材料同时给出架构参数与部署方式，便于评估 Lean 4 证明工程中的使用成本和接入路径。
Mistral AI 在 Hugging Face 发布 Mistral Small 4 119B 2603 Eagle，这是一个混合模型，可同时作为通用指令模型和推理模型使用，并统一 Instruct、Reasoning 和 Devstral 三类模型能力。
推荐理由：材料同时给出架构参数、模式切换和 vLLM 部署示例，便于评估其在推理与智能体场景的适配。
mistralai 发布 Mistral-Small-4-119B-2603-NVFP4，这是 Mistral Small 4 的 post-training-activation quantized 版本。
推荐理由：原文同时给出架构参数、量化来源和 vLLM 部署示例，便于评估推理模式与吞吐取舍。
World Labs 宣布获得 $1 billion 新融资，投资方包括 AMD、Autodesk、Emerson Collective、Fidelity Management & Research Company、NVIDIA、Sea 等。
推荐理由：融资信息同时交代了 World Labs 的空间智能方向和 Marble 的输入形态，便于理解其后续投入重点。
stepfun-ai 在 Hugging Face 发布 Step3-VL-10B-FP8，并提供 Step3-VL-10B 的在线 Demo、FP8 量化权重和官方 vLLM 支持。
推荐理由：材料同时给出权重、量化、推理框架和训练细节，便于评估小尺寸多模态模型的部署取舍。
Mistral AI 在 Hugging Face 发布 Mistral Small 4 119B 混合模型，可同时作为通用指令模型和推理模型使用。
推荐理由：原文同时给出架构参数、模式切换和部署示例，便于评估开源通用模型的使用成本。
World Labs 发布 World API，这是一个公共接口，可用 Marble 从文本、图像、360° panoramas、多视角输入和视频生成可探索的 3D 世界。
推荐理由：原文展示了 API 输入、输出和早期场景，可用于评估 3D 世界生成接入产品工作流的成本与边界。
月之暗面在 Hugging Face 发布 Kimi K2.5，这是基于 Kimi-K2-Base 继续预训练的开源原生多模态智能体模型，使用约 15 trillion 混合视觉与文本 token。
推荐理由：原文同时给出架构参数、评测表和部署方式，便于比较多模态智能体模型的能力边界。
Mistral AI 发布 Mistral OCR 3，用于从多类文档中高保真提取文本和嵌入图片，并在表单、扫描文档、复杂表格和手写内容上相对 Mistral OCR 2 获得 74% overall win rate。
推荐理由：原文同时给出胜率、价格、API 和自托管选项，便于评估企业文档解析管线的迁移成本。
Mistral AI 发布 Mistral 3，包括 14B、8B、3B 三个小型 dense 模型，以及 Mistral Large 3 这一 41B active、675B total parameters 的 sparse MoE 模型，全部采用 Apache 2.0 license。
推荐理由：原文同时给出模型规模、许可证和部署入口，便于比较开源模型的落地成本与覆盖场景选择。
Mistral 发布 Mistral Large 3 675B Base，这是从头训练的通用多模态 Granular MoE 基础预训练模型，拥有 41B active parameters 和 675B total parameters。
推荐理由：材料同时给出参数规模、上下文窗口、许可证和部署命令，便于评估自托管成本与适配场景。
World Labs 今天将多模态世界模型 Marble 面向所有用户开放，并扩展其从文本、图像、视频或粗略3D布局创建3D世界的能力。Marble 支持交互式编辑、扩展和组合世界，生成后可导出为 Gaussian splats、meshes 或视频。
推荐理由：原文列出从文本、图像、视频到粗略3D布局的生成路径，便于比较世界模型工作流。
百度在 Hugging Face 发布 ERNIE-4.5-VL-28B-A3B-Thinking，基于 ERNIE-4.5-VL-28B-A3B 架构升级多模态推理能力。
推荐理由：原文同时给出训练思路、工具调用与部署命令，便于评估该多模态模型的落地路径。