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 开始向美国 18 岁以上的 Google AI Ultra 订阅用户开放 Project Genie，这是一个由 Genie 3、Nano Banana Pro 和 Gemini 驱动的实验性研究原型，支持创建、探索和混编可交互世界。
推荐理由：官方披露了 Project Genie 的三项核心能力与已知限制，可据此判断世界模型原型目前能做什么、还差什么。
Google DeepMind 发布 D4RT（Dynamic 4D Reconstruction and Tracking），一个统一 4D 场景重建与追踪的 AI 模型，采用编码器-解码器 Transformer 架构和查询机制，可并行回答像素在任意时间、任意相机视角下的 3D 位置。
推荐理由：D4RT 把动态场景重建统一进单一框架，并给出相对既有方法的效率倍数，可据此判断 4D 重建的工程可行性。
OpenAI 详细介绍了 Codex 在理解代码、重构系统、提升性能、加速工程速度和增强工程工作流程方面的应用。
推荐理由：OpenAI 详细介绍了 Codex 在工程领域的应用，读者可以了解 Codex 如何加速工程工作流程。
Google DeepMind 更新 Veo 3.1 Ingredients to Video，让基于参考图生成的视频在简单提示词下也有更丰富的对白与叙事，并提升角色、背景和物体的一致性。
推荐理由：官方说明了 Ingredients to Video 在角色一致性与竖屏输出上的具体变化，可据此判断短视频生产流程的调整方向。
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 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。
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。
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。
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 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 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。