LlamaIndex v0.14.23 发布：增强多模态合成与查询引擎
LlamaIndex 发布了 v0.14.23 版本，主要更新包括核心模块的多模态合成功能、多模态查询引擎、工具调用模拟 LLM，以及多项 bug 修复和性能优化。此外，多个嵌入适配器（如 Cohere、Google GenAI）和回调模块也进行了依赖更新和兼容性调整。
多模态
技术方向 · 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 · 共 778 条
只展示置信度达到公开门槛且每篇排名前三的主题标签，降低泛化误贴。
6月25日周四 · 1 条
正文结构化主题已通过公开置信门槛
6月12日周五 · 1 条
正文结构化主题已通过公开置信门槛
Transformers v5.12.0 发布：新增 MiniMax-M3-VL、PP-OCRv6 和 Parakeet-RNNT
Hugging Face Transformers 库发布 v5.12.0 版本，新增了 MiniMax-M3-VL 视觉语言模型、PP-OCRv6 轻量级 OCR 系统和 Parakeet-RNNT 语音识别模型。该版本还包含多项 bug 修复和 CI 改进，并感谢了社区贡献者。
6月9日周二 · 2 条
正文结构化主题已通过公开置信门槛
Google 发布 Gemini 3.5 Live Translate，实现流畅自然语音翻译
Google DeepMind 发布了 Gemini 3.5 Live Translate，一款用于实时语音到语音翻译的新型音频模型，支持 70 多种语言，能保留说话者的语调、语速和音高，并实现连续流畅的翻译。该模型已通过 Gemini Live API、Google AI Studio 向开发者提供公开预览，并将在 Google Meet 和 Google
正文结构化主题已通过公开置信门槛
Google DeepMind 发布 Gemma 4 12B：无编码器多模态模型，面向笔记本电脑
Google DeepMind 发布了 Gemma 4 12B，这是一款面向笔记本电脑的无编码器多模态模型，支持原生音频输入，性能接近其 26B MoE 模型，但内存占用更小。该模型采用统一架构，视觉和音频输入直接进入 LLM 主干，无需传统编码器，并支持多 token 预测以降低延迟。模型以 Apache 2.0 许可开源，可在 16GB 内存的设备上本地
5月28日周四 · 1 条
正文结构化主题已通过公开置信门槛
Gemini API 发布视觉模型 GA 版，支持视频转图像
Gemini API 于 2026 年 5 月 28 日发布 gemini-3.1-flash-image（Nano Banana 2）和 gemini-3-pro-image（Nano Banana Pro）的正式版（GA），这两个原生视觉模型支持视频转图像生成，用户可通过直接上传或 YouTube 链接提供视频，生成高质量缩略图、电影海报或信息图。该功能
5月18日周一 · 2 条
正文结构化主题已通过公开置信门槛
Google 将 Genie 世界模型与街景结合，推出 Project Genie 新功能
Google DeepMind 宣布将世界模型 Genie 与 Google 街景图像结合，推出 Project Genie 的街景接地功能，允许用户基于美国真实地点生成互动虚拟世界，并支持多种风格。该功能现已向全球 Google AI Ultra 订阅用户开放，旨在为 AI 智能体和机器人提供更真实的虚拟训练环境。
正文结构化主题已通过公开置信门槛
Google 推出 Gemini Omni：视频生成与编辑新模型
Google DeepMind 推出 Gemini Omni 系列模型，首个模型 Gemini Omni Flash 已上线 Gemini 应用、Google Flow 和 YouTube Shorts。该模型支持视频生成与对话式编辑，结合 Gemini 的世界知识，并计划未来支持图像和音频输出。所有生成视频均带有 SynthID 水印，后续将向开发者和企业
5月17日周日 · 1 条
正文结构化主题已通过公开置信门槛
Google 扩展内容透明工具，新增 AI 检测 API
Google DeepMind 宣布扩展其内容透明度和验证工具，覆盖 Search、Gemini、Chrome、Pixel 和 Cloud 平台。其 SynthID 水印技术已应用于超过 1000 亿张图片和视频及 6 万小时音频，并新增 C2PA Content Credentials 验证功能。公司还推出了新的 AI 内容检测 API，并与 OpenAI
5月16日周六 · 1 条
正文结构化主题已通过公开置信门槛
Google 发布 Gemini 3.5 Flash：智能体与编码性能领先
Google DeepMind 发布 Gemini 3.5 系列模型，首推 3.5 Flash，主打智能体与编码能力，性能超越前代 Pro 模型，速度提升 4 倍。该模型已通过 Gemini 应用、Google 搜索 AI 模式、开发者平台及企业平台向全球用户开放，并计划下月推出 3.5 Pro。同时，新模型内置前沿安全防护，减少有害内容生成。
5月15日周五 · 1 条
正文结构化主题已通过公开置信门槛
LlamaIndex v0.14.22 发布：多模态合成与依赖升级
LlamaIndex 发布了 v0.14.22 版本，涉及多个子包的更新，包括 agentmesh、callbacks 系列、embeddings 系列等。主要变更包括依赖升级、bug 修复以及新增多模态合成功能。这些更新提升了框架的稳定性和功能，对开发者使用 LlamaIndex 构建 AI 应用有积极影响。
5月7日周四 · 1 条
正文结构化主题已通过公开置信门槛
DeepSpeed v0.19.0 发布：多模态支持与多项修复
DeepSpeed 发布 v0.19.0 版本，包含多项修复和功能增强，如 ZeRO-3 碎片整理工具、序列并行对多模态模型的支持、Muon 优化器的 Gram 正交化，以及多个 bug 修复。该版本提升了稳定性、兼容性和性能，对使用 DeepSpeed 进行大规模模型训练的用户有积极影响。
5月5日周二 · 1 条
正文结构化主题已通过公开置信门槛
Gemini API 文件搜索支持多模态与视觉引用
Gemini API 于 2026 年 5 月 5 日更新了文件搜索功能，支持多模态搜索，用户可通过 gemini-embedding-2 模型原生嵌入和搜索图像。此外，接地元数据现在包含用于视觉引用的 media id 和指示信息来源位置的 page numbers。
4月17日周五 · 1 条
正文结构化主题已通过公开置信门槛
Anthropic 推出 Claude Design 协作设计工具
Anthropic 在发布 Opus 4.7 的同时，推出了 Anthropic Labs 的新产品 Claude Design，用户可通过它与 Claude 协作创建设计、原型、幻灯片和单页文档等视觉输出。
4月16日周四 · 2 条
正文结构化主题已通过公开置信门槛
Anthropic 发布 Claude Opus 4.7，增强编码与视觉能力
Anthropic 发布了其最新模型 Claude Opus 4.7，现已全面可用。该模型在软件工程和复杂、长期运行的编码任务上有所改进，并提升了视觉能力，支持更高分辨率的图像识别。
正文结构化主题已通过公开置信门槛
Gemini 3.1 Flash TTS 发布：更自然、可控的 AI 语音生成
Google DeepMind 发布了 Gemini 3.1 Flash TTS，这是一款新一代文本转语音模型，提升了可控性、表现力和质量。该模型已通过 Gemini API、Google AI Studio、Vertex AI 和 Google Vids 向开发者、企业和 Workspace 用户推出，支持 70 多种语言，并引入了音频标签功能，允许通过自
4月14日周二 · 1 条
正文结构化主题已通过公开置信门槛
Gemini 发布机器人模型 1.6 预览版，旧版 1.5 将于月底停用
Gemini API 于 2026 年 4 月 14 日发布了更新版机器人模型 gemini-robotics-er-1.6-preview，新增仪表读取能力，并改进了空间和物理推理能力。同时，旧版 gemini-robotics-er-1.5-preview 模型将于 2026 年 4 月 30 日太平洋时间上午 9 点被关闭。
4月13日周一 · 1 条
正文结构化主题已通过公开置信门槛
Gemini Robotics-ER 1.6发布：增强具身推理，赋能机器人任务
Google DeepMind 发布了 Gemini Robotics-ER 1.6，这是其具身推理模型的重大升级，旨在提升机器人在空间理解、多视角感知和任务规划方面的能力。该模型可通过原生调用工具（如 Google Search）和视觉-语言-动作模型（VLA）执行任务，并新增了仪表读数能力，与波士顿动力合作开发。该模型现已通过 Gemini API 和
4月3日周五 · 1 条
正文结构化主题已通过公开置信门槛
Google DeepMind 发布 Gemma 4 开放模型系列，主打智能体与多模态
Google DeepMind 发布了 Gemma 4 系列开放模型，包括 E2B、E4B、26B MoE 和 31B Dense 四种尺寸，支持高级推理、智能体工作流、多模态（视觉、音频）和 140 多种语言，采用 Apache 2.0 许可。该系列模型在 Arena AI 文本排行榜上表现优异，31B 模型排名第三，26B 模型排名第六，并针对从移动设备
4月2日周四 · 1 条
正文结构化主题已通过公开置信门槛
智谱AI发布GLM-5V-Turbo多模态Coding基座模型
智谱AI于2026年4月2日上线了GLM-5V-Turbo多模态Coding基座模型，该模型在更小参数量下实现更优性能，增强了细粒度理解、几何感知与空间理解能力，并强化了GUI Agent和Coding Agent等复杂任务表现，同时扩展了多模态工具链，支持画框、截图、读网页等工具。
3月29日周日 · 1 条
正文结构化主题已通过公开置信门槛
Google DeepMind 用 AI 重新构想鼠标指针
Google DeepMind 正在开发由 Gemini 驱动的 AI 指针，旨在让用户通过指向和语音与 AI 交互，无需将内容拖入 AI 窗口。该技术能理解用户指向的对象及其重要性，从而提供更直观的协作体验。公司已发布相关原理和实验演示，例如在 Google AI Studio 中通过指向和说话来编辑图片或查找地点。