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。
Grok 4.7 现已通过 Amazon Bedrock 上线，提供 500K token 上下文窗口和低、中、高、超高四档可配置推理力度。该模型面向编码、长时运行智能体和知识工作，支持 Responses、Chat Completions 和 Converse API。xAI 称其为最擅长编码和知识工作的模型，强调持久工作与自我校验。
推荐理由：Grok 4.7 登陆 Bedrock，文章梳理了 500K 上下文、四档推理级别与成本权衡，适合评估长任务智能体工作负载。
Google DeepMind 发布 Gemini 3.8 Live 和 3.8 Live Extended Thinking 两款新语音对话模型，主打近实时推理。
推荐理由：官方基准显示新模型在语音智能体任务上领先并在成本上有竞争力，可据此判断生产环境中的应用价值。
Google DeepMind推出智能体视频理解功能，适用于Gemini 3.7 Flash、3.6 Flash和3.5 Flash-Lite，将视频分析的token消耗最高降低88%、成本最高降低66%，准确率提升最高7%。
推荐理由：官方公布agentic视频理解相比静态处理在token消耗、成本和准确率上的具体改进数字，读者可据此判断该方案对长视频分析开发流程的实际影响。
Google DeepMind 发布 Gemini Omni 1.1 Flash，通过 Gemini API 正式开放，新增场景扩展、首末帧指定、视频参考等生成视频能力。
推荐理由：官方给出了场景扩展、4K 放大等具体能力规格和定价，可帮助开发者评估能否直接接入生产工作流。
Google DeepMind 发布手语转文本模型 SL2T，并将手语听写功能引入 Pixel 11 的 Gboard 和 Live Transcribe，支持美式手语转英语。模型基于超过 10 万小时、50 多种手语数据训练，通过手势关键点而非原始视频保护隐私，在 FLEURS-ASL 基准上零样本达到 70 BLEURT。
推荐理由：原文给出SL2T的训练数据规模与隐私保护设计，帮助读者理解手语翻译如何从实验室走向手机输入法。
Google DeepMind 发布 Gemini Robotics ER 2 具身推理模型，支持视频理解、任务编排和多机器人协作，现通过 Gemini API 与 Google AI Studio 向开发者开放。相比前代 ER 1.6，它在进度分类任务上取得 57.4% 准确率，时刻查找准确率达 91.3%，并以 4 倍执行速度接近更大模型的精度。
推荐理由：这篇官方介绍给出了新模型在视频理解、任务编排和多机器人协作上的能力数据与开放渠道，读者可据此评估它在具身智能领域的实际进展。
Google DeepMind 发布 Gemini Robotics 2 系列机器人模型，包含 VLA、ER 和端侧三类模型，实现全身控制、精细灵巧操作与多机器人协作，并新推 ASIMOV-Agentic 安全基准。其中推理模型 Gemini Robotics ER 2 已上线 Google AI Studio，VLA 与端侧模型向早期合作伙伴开放。
推荐理由：文章详解Gemini Robotics 2三类模型与全身控制、精细灵巧操作及多机器人协作能力，并给出开放渠道，可快速了解具身智能最新进展。
Google DeepMind 发布 Nano Banana 2 Lite 图像生成模型和 Gemini Omni Flash 视频生成与编辑模型。
推荐理由：原文给出两款新模型的延迟与成本，以及视频对话式编辑能力，读者可据此评估如何将图像生成与视频创作串进同一流水线。
Google DeepMind 发布 Gemma 4 12B，一款面向笔记本的无编码器多模态模型，视觉和音频输入直接流入 LLM 主干，是该系列首个支持原生音频输入的中型模型。它可在 16GB 内存的消费级笔记本本地运行，基准性能接近 26B MoE 模型，采用 Apache 2.0 许可，并同步发布官方 Skills Repository。
推荐理由：原文给出 12B 与 26B 的取舍和 16GB 内存的本地运行门槛，可帮助读者判断它在端侧多模态工作流中的适配度。
Google DeepMind 推出 Omni 家族首个模型 Gemini Omni Flash，支持图像、音频、视频和文本任意组合输入生成高质量视频，并可通过自然语言对话编辑视频。
推荐理由：Gemini 把推理能力与视频生成结合，支持多模态输入和对话式编辑，可从能力边界判断其对现有创作流程的影响。
谷歌宣布将SynthID和C2PA内容凭证验证能力扩展至Search、Gemini、Chrome和Pixel设备，并在Gemini应用中新增C2PA验证。SynthID已为超1000亿张图片视频和6万小时音频添加水印，验证功能已使用5000万次。谷歌还推出面向企业的AI内容检测API，并与OpenAI、ElevenLabs、Meta等公司合作，让更多平台识别和标注AI生成内容。
推荐理由：原文说明了水印技术覆盖规模和验证能力从Pixel扩展到搜索与浏览器的落地进度，读者可据此判断内容溯源工具的实际可用范围。
Google DeepMind 发布 Gemini Robotics-ER 1.6，这是其具身推理模型的重要升级，今天起通过 Gemini API 和 Google AI Studio 开放给开发者。
推荐理由：原文给出 Gemini Robotics-ER 1.6 在空间推理、仪表读数与安全能力上的提升，并开放 API 供开发者接入，便于判断其实际可用性。
Google DeepMind 发布开源模型 Gemma 4，提供 E2B、E4B、26B MoE 和 31B Dense 四个尺寸，采用 Apache 2.0 许可，31B 模型在 Arena 文本榜单位列开源模型第 3。新模型支持 140+ 语言、最高 256K 上下文、原生多模态与语音输入，可离线运行于手机等边缘设备，并兼容 Hugging Face、vLLM、Ollama 等主流工具。
推荐理由：官方披露 Gemma 4 四个尺寸与 Apache 2.0 许可，有助于评估其智能-参数比优势和本地部署门槛。
Google DeepMind 发布由 Gemini 驱动的 AI 增强指针，让指针不仅能识别指向目标，还能理解它对用户为何重要。该设计基于保持流畅、展示与讲述、拥抱 This/That、像素实体化四项交互原则；即日起可在 Chrome 里用指针向 Gemini 询问网页内容，不久推出 Googlebook 的 Magic Pointer，并可在 Google AI Studio 试用。
推荐理由：DeepMind 提出让指针理解指向目标与用户意图的四条设计原则，并已集成进 Chrome，是观察下一代 AI 交互入口形态的窗口。