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。
Mistral 发布 3B 开源权重多模态安全分类器 Shieldstral，以 Apache 2.0 协议开放下载。它把内容审核建模为政策自适应问答任务，推理时用自然语言问题传入政策即可返回校准的安全分数，无需重训练，统一覆盖文本、图像及 prompt-response 对的审核、拒答检测和毒性检测。
推荐理由：原文给出了把内容审核改为推理时自适应问答的方法、数据构建思路和基准表现，适合想自建安全审核方案的开发者参考。
SwanTale 提出统一的多说话人语音与音频生成模型，同时支持零样本与指令任务。研究配套推出 SwanData-Caption 数据方案，通过清洗、合成覆盖与多级标注解决数据稀缺问题，并引入 SwanVAE、Unified MoE、GRPO 后训练等技术。实验显示，SwanTale 在多项零样本与指令指标上领先，并在两项任务的表达力评分中均取得最佳成绩。
推荐理由：通过 SwanData-Caption 数据管线和统一模型，让内容创作者能够以自然语言描述生成定制声音，并复用参考音频，减少了动画、游戏等场景中音频合成的碎片化。
UEmbed 是一种仅解码器的多模态嵌入模型，可在单次因果前向传播中同时生成稀疏词级和稠密表示，通过可学习特殊 token 与词汇表分区突破单 token 信息瓶颈。
推荐理由：UEmbed 让一个解码器模型同时输出稀疏与稠密多模态嵌入，稀疏模式精度接近稠密且原生适配倒排索引，对兼顾效率和精度的检索系统，省去了维护多套模型的开销。
SIGNPOST-Bench 是一个用于评估多模态大模型文本-视觉冲突消解能力的受控反事实基准，包含来自四个数据集的 5,111 个反事实组和 25,555 个图像变体。
推荐理由：基准将场景文字冲突转化为连续的地理定位诊断，揭示对抗性文本可让定位误差扩大4.8倍，为多模态模型的证据仲裁能力提供了可量化的评估框架。
Greg Brockman@gdb精选AI 评分6666GPT-Live 可以边说边听。 为了让这在 ChatGPT 规模下显得自然，我们从头重建了从客户端到模型的语音技术栈。 这一新架构让音频持续流动，因此更深入的推理和工具调用不会打断对话。
推荐理由：在 GPT-Live 架构下推理与工具调用期间音频流不间断，语音交互的等待感和打断感被显著消除，适用于需要持续对话的陪伴和协作场景。
SenseTime@SenseTime_AI精选AI 评分6868商汤推出 SenseNova U1.5-Lite-Preview，一个基于 NEO-Unify 架构的轻量级原生统一多模态模型，仅 8B-MoT 参数即可达到商业闭源模型的生成与编辑质量。
推荐理由：8B 参数的小模型在生成和编辑上接近闭源水平，有望降低轻量化多模态应用的门槛，但预览版功能可能尚不完整。
Kimi.ai@Kimi_Moonshot精选AI 评分7070
推荐理由：教程展示了如何用 Kimi Slides 一站式完成幻灯片的结构、设计和下载，对需要快速产出演示文档的 Kimi 用户有直接可用性，但完整效果仍取决于实际模板和内容质量。
MiniMax 正式开源新一代通用视频模型 H3，可统一理解文本、图像、视频和音频，生成最高 2K 分辨率、最长 15 秒、带 32 kHz 原生立体声音频的视频。
推荐理由：与多数开源视频模型不同，H3 原生支持同步生成立体声音频，且通过上下文再生成实现 2K 分辨率，为音视频生成应用提供了更完整的开源基座。
Qwen 正式发布 Qwen3.8-Max，这是 Qwen 家族迄今最强的模型，拥有 2.4T 参数（95B 激活），并首次开源 Qwen-Max 级权重，开放权重将于下周发布。
推荐理由：首次将 Max 级模型权重开源，为开源社区提供比肩闭源旗舰的能力，但实际效果需待下周权重放出后由社区验证。
Elon Musk@elonmusk精选AI 评分7272Grok 可以分析任何视频 https://grok.com/share/bGVnYWN5_8013f7a3-f604-4351-8cd7-acecf3ef165b
推荐理由：Grok 的视频分析功能将多模态交互扩展到动态内容，对快速理解视频素材有直接帮助，不过演示链接未展示长视频或复杂场景下的表现，实际适用范围待验证。
百度搭子内置的一镜Skill支持仅凭一句话或一个主题，自动完成脚本生成、声音、数字人形象、口型驱动和视频渲染，生成可直接播放的数字人口播视频，全程无需拍摄、剪辑和露脸。该功能适用于旅游攻略、产品种草、知识科普、临时活动宣传、企业内部培训及个人IP起步等场景，大幅降低视频制作门槛。
推荐理由：拆解了从想法到成品视频的全链路，非专业用户能直观理解脚本生成、数字人驱动等环节如何协作，有助于判断这类工具能否嵌入现有创作流程。
MiniMax 正式推出全能多模态生成模型 H3，可联合理解文本、图像、视频和音频，生成最高 2K 分辨率、15 秒时长且带原生立体声的视频。H3 在指令跟随、文字与品牌呈现、V2V 动作迁移上表现突出，2K 下每秒价格低于主流模型三分之一，768p 下低于主流 720p 价格一半。官方计划近日开源模型权重，以支持开源社区并加速硬件兼容。
推荐理由：MiniMax H3 把全模态生成打到了 2K 分辨率且价格不到主流三分之一，还计划开源权重，这对闭源视频模型是实打实的压力，开发者可以重点关注。
字节跳动今日正式发布新一代视频创作模型 Seedance 2.5，单次视频生成时长从 15 秒提升至 30 秒，并支持多轮延长，可产出数分钟连贯内容。模型支持单次输入最多 30 张图片、10 段视频和 10 段音频作为参考素材，并升级白模参考、运动参考及绿幕编辑、时间戳精准编辑等能力。Seedance 2.5 已陆续上线即梦 AI、豆包专业版等平台，API 服务近期将上线火山方舟。
推荐理由：Seedance 2.5 把单次生成拉到 30 秒，加上多模态参考和精准编辑，让视频创作从片段拼凑变成完整叙事。对国内创作者来说，这是即梦和豆包里能马上用到的最强视频模型。
MiniMax 发布 AI 视频模型 H3，并宣布开源。该模型主打视觉包装与后期特效，可生成动态 MV、动态海报、Vlog、电影片头、游戏 UI 等，语义遵循能力极强，在广告与动效领域表现优于 Seedance 2.0，但影视级张力镜头稍逊。H3 开源后预计将出现大量垂直领域特化版本。
推荐理由：在 Seedance 统治的前期创作之外，H3 用语义强控制补上了视觉包装与后期特效这块拼图，广告和社媒短片的后期流程可能因此从剪辑软件迁移到提示词。
Google AI@GoogleAI精选AI 评分6969
推荐理由：Google 把图像生成塞进地球，直接用 Nano Banana 2 在卫星图上创作，门槛低得谁都能玩，做城市设计或创意提案的人可以立刻试试。
Thinking Machines@thinkymachines精选AI 评分6464推荐理由：Inkling-Small 将 Inkling 的性能塞进 1/4 大小的模型，权重完全开放，还支持文本、图像、音频，对想用低成本体验顶尖能力的开发者是个值得上手的信号。
Google DeepMind 推出 Gemini Robotics ER 2，一个基于 Gemini 的机器人基础模型。该模型在视频理解、工具编排和多机器人协作方面实现阶跃式提升，使机器人能够推理、协作并解决真实世界任务。
推荐理由：DeepMind 把 Gemini 带到机器人领域，视频理解、任务编排和多机协作的叙事很宏大，但全是愿景，没有实测数据，是不是真正的 step change 得等细节。做机器人的可以先建个追踪。
Google DeepMind 今日在 Google Flow Music 中发布新一代音乐生成模型 Lyria 3.5，带来音乐性、歌词质量、人声表现力与创作控制的多项提升。新模型能生成更自然复杂的旋律结构，歌词对提示词的遵循度和结构意识更强，人声更逼真且富有情感，同时支持更便捷地控制输出节奏与时长。
推荐理由：Lyria 3.5 把音乐生成从玩具级推到了可用创作工具级别，歌词和情感人声的提升对内容创作者是实实在在的福音。
Hint 今日上线，利用 AI 技术帮助房主管理维护计划、能耗、土壤与空气质量、保险理赔等事务，并支持存储和查询房屋相关合同与文件。该应用基于公开数据为每栋房屋建立档案，通过 AI 聊天机器人回答个性化问题，并提供主动维护提醒与“房屋评分”。Hint 目前免费提供 iOS 版，无订阅或广告，未来计划推出付费高级功能。
推荐理由：Martha Stewart 以联合创始人身份加入 Hint 绝非挂名，她亲自打磨体验，这个 AI 家居助手整合了图像识别和文档查询，让房主终于有了一个可用的家庭管理中枢，是 AI 从聊天走向实用的一次有趣尝试。
月之暗面发布 2.8 万亿参数的混合专家模型 Kimi K3，支持原生视觉理解和 100 万 token 上下文窗口。其规模化效率较 Kimi K2.5 提升 2.5 倍，并同步开源模型权重、技术报告及 MoonEP、FlashKDA、AgentEnv 三项 Infra 技术。
推荐理由：Kimi K3 的完全开放是一个明确信号，月之暗面把最核心的模型权重和技术细节全部公开，国内开发者从此有了媲美国际顶尖开源的底座。虽然部署门槛不低，但开放本身推动了生态发展。