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 Robotics ER 2，作为面向机器人的具身推理模型，可理解物理世界、规划多步任务并调用 Google Search 等工具，现已通过 Gemini API 和 Google AI Studio 向开发者开放，Gemini Enterprise Agent Platform 上处于私密预览。
推荐理由：官方给出视频理解、任务编排与多机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，作为新一代机器人智能层，首次实现对完整人形机器人的全身控制，并提升手部与夹爪的精细操作能力。
推荐理由：Gemini Robotics 2 把机器人控制从上半身扩展到全身，并给出端侧适配与多机协作的具体路径。
Google DeepMind 发布 Gemini 3.6 Flash、3.5 Flash-Lite 和面向安全的 3.5 Flash Cyber 三款新模型。
推荐理由：官方给出三款 Flash 新模型的 token 效率、价格与基准对比，可据此判断智能体任务的成本变化。
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：官方给出两款新模型的延迟、价格与可用入口，读者可据此判断图像与视频生成链路的成本取舍。
Google DeepMind 发布 Gemini 3.5 Live Translate，一款支持 70+ 语言的近实时语音到语音翻译音频模型，能自动检测语言并保留说话人的语调、节奏和音高。
推荐理由：官方给出 70+ 语言实时语音翻译的连续生成机制与多产品落地节奏，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 E4B 与 26B MoE 之间，可在 16GB 显存或统一内存上本地运行。
推荐理由：Gemma 4 12B 用无编码器架构把多模态能力压到 16GB 显存，读者可据此判断本地智能体部署的可行性。
Google DeepMind 在实验性原型 Project Genie 中上线 Street View 真实影像接地能力，用户可选取美国地点并搭配风格与角色描述，生成以真实地点为起点的可交互世界。
推荐理由：原文给出 Genie 接入 Street View 真实影像后的世界生成方式与开放范围，读者可据此判断世界模型落地路径。
Google DeepMind 发布 Gemini Omni 系列首个模型 Gemini Omni Flash，可组合图像、音频、视频和文本作为输入生成高质量视频，并支持通过自然语言对话多轮编辑视频。
推荐理由：Gemini Omni 把多模态输入与对话式视频编辑结合，读者可了解其能力边界与首发渠道。
Google 宣布扩展内容透明度与验证工具，把 SynthID 的图像、视频和音频验证从 Gemini 应用扩展到搜索，并将在未来几周进入 Chrome；该验证功能在 Gemini 中已被使用 5000 万次。
推荐理由：Google 把 SynthID 与 C2PA 验证铺到搜索、Gemini 和 Chrome，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 模型家族，首发 3.5 Flash，定位为面向智能体与编码的前沿模型，即日起通过 Gemini app、Google Search 的 AI Mode、Google Antigravity、Gemini API、Android Studio 以及 Gemini Enterprise 等渠道开放。
推荐理由：官方给出 3.5 Flash 在编码与智能体基准上的成绩和开放入口，可据此判断速度与成本取舍。
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，医生更偏好其回答而非现有证据合成工具；在 20 个模拟远程问诊场景、140 项问诊技能评估中，专家医生整体表现更好，但 AI 在 68 项上达到或超过初级保健医生水平。
推荐理由：Google DeepMind 公开 AI co-clinician 研究，含 98 例零关键错误与 140 项问诊能力对比，可看医疗智能体的能力边界。
OpenAI 发布 ChatGPT Images 2.0，改进了文字渲染、多语言支持和视觉推理能力。官方同时提到可查看 Images 2.5 的新变化。
推荐理由：官方给出图像生成在文字渲染、多语言与视觉推理上的改进方向，可据此判断多模态能力的演进重点。
Google DeepMind 发布 Gemini Robotics-ER 1.6，这是其面向机器人的推理优先模型升级版，增强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：官方给出与上一代及 Gemini 3.0 Flash 的对比，并新增仪表读数能力，可据此判断机器人在设施巡检中的自主程度。
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 以四个尺寸覆盖从手机到工作站的部署，并给出 Apache 2.0 许可与首日工具链支持，便于开发者判断本地推理与微调的可行路径。
Google DeepMind 发布 Gemini 3.1 Flash Live，称其为目前质量最高的音频与语音模型，精度更高、延迟更低。该模型在 ComplexFuncBench Audio 上取得 90.8%，在 Scale AI 的 Audio MultiChallenge 上开启 thinking 后取得 36.1%。
推荐理由：官方给出语音模型的基准成绩与多端开放入口，可据此判断实时语音智能体的能力边界。
Google DeepMind 发布音乐生成模型 Lyria 3 Pro，可生成最长 3 分钟的曲目，并支持对前奏、主歌、副歌和桥段等结构元素进行提示控制。
推荐理由：Lyria 3 Pro 把单曲时长拉到 3 分钟并支持段落级提示，读者可据此判断音乐生成在创作流程中的可用边界。
OpenAI 发布 GPT-5.4 mini 和 nano，是 GPT-5.4 更小、更快的版本，针对编码、工具调用、多模态推理以及高并发 API 和子智能体负载做了优化。
推荐理由：OpenAI 推出 GPT-5.4 的小型版本，读者可据此了解其在编码、工具调用与高并发场景的定位。
Google DeepMind 推出 Gemini 3.1 Flash-Lite，这是 Gemini 3 系列中速度最快、成本最低的模型，即日起通过 Gemini API 在 Google AI Studio 面向开发者预览，并通过 Vertex AI 面向企业开放。
推荐理由：官方给出价格、速度与基准数据，读者可据此判断高并发场景下的成本与延迟取舍。
Google DeepMind 发布最新图像生成模型 Nano Banana 2（Gemini 3.1 Flash Image），把 Nano Banana Pro 的高级世界知识、质量与推理能力带到 Flash 级速度。
推荐理由：官方给出 Nano Banana 2 与 Pro 的能力分工和上线范围，读者可据此判断该选哪个模型。
Google DeepMind 的 Lyria 3 音乐生成模型以 beta 形式在 Gemini 应用上线，用户用文本或上传图片、视频即可生成 30 秒带歌词或纯音乐的曲目，并配有 Nano Banana 生成的封面图。
推荐理由：官方披露 Lyria 3 在 Gemini 应用中的生成方式、语言覆盖与 SynthID 音频验证能力，可据此判断音乐生成的使用边界。