新模型的发布、开源与迭代：大模型厂商的旗舰更新、开源权重放出、性能与价格变化的第一时间记录。
Google DeepMind 推出开源多模态模型 Gemma 4 12B，支持在配备 16GB 显存或统一内存的普通笔记本上本地运行多模态与智能体任务。该模型采用无编码器的统一架构，移除传统的独立视觉与音频编码器，将视觉和原始音频信号直接投影至大语言模型主干网络，性能接近其 26B MoE 模型。
推荐理由：模型采用无编码器的统一架构直接处理视觉与音频输入，使笔记本端在 16GB 内存下也能本地运行多模态推理与智能体工作流。
Mistral AI 发布 128B 稠密模型 Mistral Medium 3.5，并在 Mistral Vibe 与 Le Chat 中上线支持异步并行运行的云端远程智能体。
推荐理由：该模型将推理与编码能力合并为单组权重，让团队既能基于少量显卡自托管部署，也能借助云端环境异步执行长周期智能体任务。
Google DeepMind 发布 Gemini Omni 模型家族，主打从任意输入生成内容，首款模型 Gemini Omni Flash 率先支持视频。Omni 可组合图像、音频、视频和文本输入生成视频，并支持用自然语言多轮对话编辑视频，同时生成画面基于 Gemini 的世界知识，对重力、动能和流体动力学有更好的直观理解。
推荐理由：Gemini Omni 把视频生成与多轮对话剪辑合到同一模型中，读者可了解其输入方式与首批上线渠道。
Google DeepMind 正式推出 Gemini 3.5 模型系列并上线首发版本 Gemini 3.5 Flash，主打长流程编码与复杂智能体任务执行。该模型在 MCP Atlas 达 83.6%、Terminal-Bench 2.1 达 76.2%，输出 token 速率达到其他前沿模型的 4 倍，系列旗舰 3.5 Pro 计划于下月推出。
推荐理由：模型在兼顾生成速率的同时强化了编码与多步智能体执行能力，可作为评估长流程任务端到端自动化成本的重要参考。
Google DeepMind 正式推出文本转语音模型 Gemini 3.1 Flash TTS，支持通过自然语言音频标签精确控制语音风格、节奏和表达，并原生支持多说话人对话与 70 多种语言。
推荐理由：该模型通过自然语言行内标签实现对语调和语速的精细调度，为构建多角色对话系统提供了更具成本效益的语音方案。
Google DeepMind 推出专为机器人设计的具身推理模型 Gemini Robotics-ER 1.6，大幅增强了空间推理、多视角理解以及任务完成判定能力。
推荐理由：该模型增强了空间指向、多视角任务完成判定与工业仪表读取能力，有助于开发者为实体机器人构建高阶环境理解与决策系统。
Google DeepMind 正式推出开源模型 Gemma 4 系列，包含 E2B、E4B、26B MoE 和 31B Dense 四种尺寸，专为高级推理与智能体工作流设计。
推荐理由：Gemma 4 转向 Apache 2.0 商业许可并覆盖端侧至 31B 规模，展示了小尺寸开源模型在多模态与智能体工作流上的落地路径。
Mistral AI 正式发布多语言文本转语音模型 Voxtral TTS，采用基于 Ministral 3B 的流匹配架构，总参数量为 4B，支持英语、法语、阿拉伯语等 9 种语言的情感化语音生成。
推荐理由：原文披露了基于自研编解码器与流匹配的架构细节及延迟数据，读者可据此评估端到端语音智能体的落地成本。
Mistral AI 正式发布开源模型 Mistral Small 4，基于 Apache 2.0 协议将推理、多模态与代码 Agent 能力统一到单一架构中。
推荐理由：该模型将多模态、代码与深度推理整合到单套 MoE 架构中，支持按需调节推理强度以平衡吞吐与精度。
Mistral AI 正式发布 Voxtral Transcribe 2 语音转写模型家族，包含用于批量转写的 Voxtral Mini Transcribe V2 和开源权重的实时流式模型 Voxtral Realtime。
推荐理由：提供了流式架构和开源权重，开发者能以更低延迟和端侧部署成本搭建实时语音智能体。
Mistral AI 正式推出文档解析模型 Mistral OCR 3，在表单、扫描件、复杂表格与手写体识别上相比前代取得 74% 综合胜率。该模型支持将文档解析为 Markdown 并保留富 HTML 表格结构，同时提取内嵌图像。
推荐理由：新版本大幅强化了低质扫描件、手写笔记与多层合并单元格的表格还原能力，为知识库与智能体的数据预处理提供了低成本方案。
Mistral AI 推出新一代代码模型家族 Devstral 2 及配套终端开源智能体工具 Mistral Vibe CLI。该系列包含 123B 的 Devstral 2 与 24B 的 Devstral Small 2，均支持 256K 上下文窗口，在 SWE-bench Verified 上分别取得 72.2% 与 68.0% 的成绩。
推荐理由：Mistral 发布了针对代码智能体的开源模型家族并配套终端 CLI，适合关注低成本本地化代码自动化部署的开发者。
Mistral AI 正式推出下一代 Mistral 3 系列模型并全部采用 Apache 2.0 协议开源，涵盖旗舰混合专家模型与小尺寸端侧模型。旗舰 Mistral Large 3 采用 41B 激活与 675B 总参数的 MoE 架构，支持图像理解并提供 NVFP4 量化格式，可通过 vLLM 在单台 8×A100 或 8×H100 节点上运行。
推荐理由：全系模型采用开源协议并提供端侧到超大规模 MoE 的梯度覆盖，配合量化格式显著降低了本地与私有化部署门槛。
Mistral AI 发布开源语音理解模型系列 Voxtral，提供 24B 与 3B 两种尺寸，采用 Apache 2.0 协议在 Hugging Face 开源并同步上线 API。
推荐理由：原文给出了 24B 与 3B 两种尺寸的开源权重与低成本 API，读者可以据此评估本地端侧部署与长语音智能体工作流的可行性。
Mistral AI 联合 All Hands AI 发布编程模型 Devstral Medium 并升级推出 Devstral Small 1.1，专注提升 Agent 编程能力。
推荐理由：开源的 24B 版本采用宽松协议，商用版在基准测试中取得 61.6% 的成绩，为软件开发智能体提供了兼顾本地部署与性价比的新选择。
Mistral AI 正式推出旗下首个推理模型 Magistral，提供开源的 24B 参数 Magistral Small 与企业级 Magistral Medium 两个版本。
推荐理由：原文给出了两款推理模型的评测成绩与开源协议，读者可以据此评估其在多语言复杂推理场景下的部署可行性。
Mistral AI 推出首个代码专用嵌入向量模型 Codestral Embed，主要面向代码检索与代码语义理解场景。该模型在 API 上的代号为 codestral-embed-2505，价格为 $0.15 per M tokens，Batch API 提供 50% 折扣，支持 8192 tokens 上下文窗口。
推荐理由：该模型支持按相关性截断维度与量化压缩，开发者可据此在代码检索与代码智能体场景中平衡存储开销与召回质量。
Mistral AI 联合 All Hands AI 发布专为软件工程设计的智能体模型 Devstral，采用 Apache 2.0 协议开源。该模型在 SWE-Bench Verified 基准上取得 46.8% 的成绩，可在单张 RTX 4090 或 32GB 内存的 Mac 上本地部署，同时已开放 API 接入，价格为每百万输入 tokens $0.1、输出 tokens $0.3。
推荐理由：该模型以可单卡本地运行的轻量体积在代码评测中超过部分大参数开源基座，为本地智能体开发提供了开箱即用的开源选项。
Mistral AI 正式推出企业级模型 Mistral Medium 3，主打前沿性能与高性价比。该模型在综合基准测试中达到 Claude Sonnet 3.7 90% 以上的表现，并在编码与理科任务中超越 Llama 4 Maverick，API 定价为每 1M token 输入 $0.4、输出 $2。
推荐理由：原文对比了同代前沿模型的定价与基准表现，并给出了本地四卡及云端部署门槛，适合评估企业级替代方案的成本效益。
Mistral AI 正式发布多模态开源模型 Mistral Small 3.1，采用 Apache 2.0 协议并开源 Base 与 Instruct 检查点。
推荐理由：原文给出了显存配置、推理速度与许可协议，读者可以据此评估在消费级硬件部署多模态小模型的可行性。