Google DeepMind 发布 Gemini 3 Flash，主打前沿智能与速度兼顾，在 GPQA Diamond 得 90.4%、Humanity's Last Exam 无工具 33.7%、MMMU Pro 81.2%、SWE-bench Verified 78%，定价为每 100 万输入 token 0.50 美元、每 100 万输出 token 3 美元。
推荐理由：官方给出 Gemini 3 Flash 的基准分数、定价与上线渠道，可据此判断它在速度与成本上的取舍。
Google DeepMind 联合 Kaggle 发布 FACTS Benchmark Suite，在原有 FACTS Grounding 基础上新增 Parametric、Search、Multimodal 三项基准，并将 Grounding 升级至 v2，共 3513 个公开样例。
Google 在 Gemini 应用中上线图像验证功能，用户上传图片并提问即可借助 SynthID 数字水印判断该图是否由 Google AI 生成或编辑。SynthID 自 2023 年推出以来已为超过 200 亿件 AI 生成内容添加水印，Google 还表示后续将把验证扩展到视频、音频以及 Search 等更多入口。
推荐理由：Google 把 SynthID 水印检测做进 Gemini 应用，读者可了解 AI 图像溯源在产品侧的具体落地方式。
Google DeepMind 发布 Nano Banana Pro（Gemini 3 Pro Image），基于 Gemini 3 Pro 构建，面向开发者提供影棚级图像生成与编辑，已在 Google AI Studio 和 Vertex AI 以付费预览形式逐步开放。
推荐理由：官方给出新图像模型的分辨率、文本渲染与搜索接地能力，读者可据此判断多模态应用的可用边界。
Google DeepMind 发布 Nano Banana Pro（Gemini 3 Pro Image），基于 Gemini 3 Pro 构建，主打图像生成与编辑，支持在图中直接渲染多语言可读文本，并可连接 Google Search 获取实时信息。
推荐理由：官方给出 Nano Banana Pro 的文本渲染、多图合成与分辨率等能力细节，可据此判断图像编辑工作流的变化。
Google DeepMind 发布 Gemini 3，其中 Gemini 3 Pro 在各项主要 AI 基准上超过此前版本，编码能力也强于 2.5 Pro，兼顾智能体工作流与复杂零样本任务。
推荐理由：官方给出 Gemini 3 Pro 的基准成绩、API 定价与配套开发平台，读者可据此判断它在智能体编码和多模态场景中的定位。
Google DeepMind 发布 Gemini 3，首发 Gemini 3 Pro 预览版，即日起接入 Gemini 应用、搜索 AI Mode、AI Studio、Vertex AI、Gemini CLI 及新智能体开发平台 Google Antigravity。
推荐理由：官方给出 Gemini 3 Pro 在推理、多模态与编码基准上的具体分数，并同步公布 Google Antigravity 开发平台。
Google DeepMind 发布 SIMA 2，将 Gemini 模型嵌入智能体核心，使其从指令执行者升级为能推理目标、与用户对话并自我改进的游戏伙伴。SIMA 2 可理解多模态提示、多种语言和 emoji，在未训练过的游戏如 ASKA 和 MineDojo 上表现更接近人类玩家，还能在 Genie 3 生成的实时 3D 世界中行动。
推荐理由：SIMA 2 把 Gemini 的推理能力接入 3D 游戏智能体，并给出自我改进与跨游戏泛化的具体路径。
Google DeepMind 在 Nature 发表新论文，分析 AI 视觉模型与人类在组织视觉世界上的差异，并提出一种三步对齐方法。该方法先用 THINGS 数据集训练一个冻结主模型的小型适配器作为教师模型，再生成包含百万张图像、数百万条类人判断的 AligNet 数据集，最后微调其他学生模型。
推荐理由：DeepMind 在 Nature 发表视觉对齐研究，读者可了解人类与模型表征差异及三步对齐方法。
Google 发布森林砍伐风险预测基准数据集，基于纯卫星输入和 vision transformers 架构，可在 30 米尺度上预测 2000-2024 年森林流失风险。
OpenAI 发布新一代视频与音频生成模型 Sora 2，并同步公开系统卡。相比 Sora，新模型在物理准确性、画面真实感、音频同步、可控性和风格覆盖范围上有所提升。
推荐理由：官方系统卡披露 Sora 2 在物理准确性、同步音频与可控性上的能力变化，可据此判断视频生成模型的当前边界。
SchoolAI 基于 GPT-4.1、图像生成和 TTS 构建安全、教师引导的 AI 工具，已服务超 100 万个课堂，提升参与度、监督能力和个性化学习。
OpenAI 发布 GPT-5，称其为目前最强的 AI 系统，在智能水平上较此前所有模型有显著跃升。GPT-5 在编码、数学、写作、健康、视觉感知等方面达到当前最优表现。
推荐理由：OpenAI 官方发布 GPT-5，给出其在编码、数学、写作、健康与视觉感知上的能力定位。
Invideo AI 借助 OpenAI 的 GPT-4.1、gpt-image-1 和文本转语音模型，将创意想法在几分钟内转化为专业视频，创作速度提升 10 倍。
ChatGPT 引入视觉与语音功能，支持多模态输入，提升团队沟通效率；功能旨在使沟通更自然。
OpenAI 在 GPT-4o 中推出原生图像生成能力，官方称其在文字渲染和指令遵循上更强。该功能于 2025 年发布，相关入口为 ChatGPT Images 2.5。
推荐理由：GPT-4o 原生图像生成上线，文字渲染与指令遵循是这次能力变化的关键看点。
OpenAI 的视频生成模型 Sora 现已上线 sora.com 供用户使用。用户可生成最高 1080p 分辨率、最长 20 秒的视频，支持宽屏、竖屏和方形比例。用户可导入自有素材进行扩展、重混和融合，也可直接由文本生成全新内容。
推荐理由：OpenAI 官方公布 Sora 的可用入口与生成规格，读者可据此了解视频生成能力与使用方式。
OpenAI 发布 Sora 系统卡，介绍这是其视频生成模型，可接收文本、图像和视频输入并生成新视频。Sora 基于 DALL-E 和 GPT 系列模型的经验构建，定位是为用户提供更丰富的叙事与创意表达工具。
推荐理由：OpenAI 官方系统卡披露 Sora 的输入输出形态与技术来源，可据此了解其能力边界。
OpenAI 展示了如何用 GPT-4o 的视觉微调能力构建更智能的地图。
OpenAI 宣布微调 API 新增视觉能力，开发者现在可以用图像和文本微调 GPT-4o，以提升视觉表现。
推荐理由：OpenAI 把图像纳入微调 API，开发者可据此判断视觉任务能否从通用模型转向自有数据定制。
OpenAI 推出基于 GPT-4o 的新多模态审核模型，可更准确地检测有害文本和图像，帮助开发者构建更稳健的审核系统。该模型已用于升级 Moderation API。
OpenAI 宣布推出新旗舰模型 GPT-4 Omni（GPT-4o），可在音频、视觉和文本之间进行实时推理。
推荐理由：OpenAI 官方发布新旗舰模型，读者可据此了解其在音频、视觉与文本上的实时推理定位。
OpenAI 发布 GPT-4o，并让 ChatGPT 的更多能力向免费用户开放。
推荐理由：OpenAI 发布 GPT-4o，并让 ChatGPT 的更多能力向免费用户开放，可据此了解其模型与免费策略的同步变化。
OpenAI 发布最新旗舰模型 GPT-4o，同时把更多能力开放给 ChatGPT 免费用户。
推荐理由：OpenAI 发布新旗舰模型 GPT-4o，并首次把更多能力开放给 ChatGPT 免费用户。
OpenAI 公开视频生成模型 Sora，在可变时长、分辨率和宽高比的视频与图像上联合训练文本条件扩散模型，采用作用于视频和图像 latent code 时空 patch 的 Transformer 架构。其最大模型 Sora 可生成一分钟高保真视频，研究结果提示规模化视频生成模型是构建通用物理世界模拟器的一条可行路径。
推荐理由：OpenAI 首次公开视频生成模型 Sora 的技术思路，读者可了解时空 patch 训练与规模化模拟物理世界的路径。
OpenAI 宣布 ChatGPT 新增看、听、说能力，可处理图像与语音输入并语音回复。
OpenAI 发布 GPT-4V(ision) 系统卡，介绍该多模态模型在安全与部署方面的评估情况。
Be My Eyes 借助 GPT-4 变革视觉无障碍体验。该应用利用 GPT-4 的能力为视障用户提供视觉辅助，帮助他们更好地感知和理解周围环境。
OpenAI 的 GPT-4 被用于 Duolingo，以填补关键的语言学习空白。正文仅说明 GPT-4 深化了 Duolingo 的对话能力，未披露具体功能、参数或上线细节。
OpenAI 发布 GPT-4，称其为扩展深度学习的最新里程碑。GPT-4 是一个大型多模态模型，接受图像和文本输入、输出文本，在多项专业和学术基准上达到人类水平表现，但在许多真实场景中能力仍不及人类。
推荐理由：OpenAI 官方给出 GPT-4 的多模态输入形态与基准表现，可据此了解这一代模型的能力边界。
OpenAI 发布 GPT-4，官方介绍其可在创意与技术写作任务中与用户生成、编辑和迭代内容，例如创作歌曲、撰写剧本，或学习用户的写作风格。
推荐理由：OpenAI 官方发布 GPT-4，摘要点出其在创意与技术写作任务上的生成、编辑与迭代能力。
OpenAI 发布 Point-E，一个可根据复杂提示词生成 3D 点云的系统。
OpenAI 在 CLIP 中发现了一类多模态神经元，无论概念以字面、符号还是概念化形式呈现，它们都会对同一概念产生响应。这可能解释 CLIP 在分类出人意料的视觉变体时的准确表现，也是理解 CLIP 及类似模型所学关联与偏置的重要一步。
推荐理由：OpenAI 公开 CLIP 中跨字面、符号与概念形式响应同一概念的多模态神经元，为理解其分类准确性与习得偏置提供线索。
OpenAI 训练了一个名为 DALL·E 的神经网络，可根据自然语言描述生成图像，覆盖自然语言可表达的广泛概念。
推荐理由：OpenAI 官方公布 DALL·E 这一从文本生成图像的神经网络，可据此了解文生图方向的早期起点。
OpenAI 发布名为 CLIP 的神经网络，通过自然语言监督高效学习视觉概念。CLIP 只需提供待识别视觉类别的名称，即可应用于任意视觉分类基准，类似 GPT-2 和 GPT-3 的零样本能力。
推荐理由：OpenAI 介绍 CLIP 用自然语言监督学习视觉概念，读者可了解零样本图像分类的思路来源。
OpenAI 推出 Jukebox，一个能生成音乐原始音频的神经网络，涵盖多种曲风和艺术家风格，并包含初步的歌唱声。OpenAI 同时公开了模型权重和代码，以及一个用于探索生成样本的工具。
推荐理由：OpenAI 公开 Jukebox 的模型权重与代码，读者可了解这套生成原始音频的神经网络能产出哪些风格的音乐。
OpenAI 推出 OpenAI Microscope，这是一个可视化集合，涵盖八个视觉“模式生物”模型的每个重要层和神经元，这些模型常用于可解释性研究。Microscope 让分析这些神经网络内部形成的特征更容易，OpenAI 希望它能帮助研究社区理解这些复杂系统。
推荐理由：OpenAI 公开八个视觉模型各层与神经元的可视化集合，为可解释性研究提供统一观察入口。
OpenAI 发布 MuseNet，一个可生成 4 分钟、10 种乐器音乐作品的深度神经网络，并能融合从乡村到莫扎特再到披头士的多种风格。MuseNet 并未被显式编程音乐知识，而是通过预测数十万份 MIDI 文件中的下一个 token 来发现和声、节奏与风格规律。
推荐理由：OpenAI 用与 GPT-2 相同的通用无监督技术训练音乐生成模型，读者可了解这套架构向音频领域的迁移路径。