Gemini 上线智能体视频理解，按任务动态查看关键片段
Gemini API 上线智能体视频理解，可按问题动态检查画面、音频和字幕，支持上传视频与 YouTube 链接。功能适用于多款 Flash 模型，沿用标准 API 计价；谷歌测试中的节省幅度取决于任务，不能直接当作所有视频的成本承诺。
推荐理由：按问题选择视频片段改变了长视频分析的资源分配方式，开发者可据此设计更有针对性的检索和理解流程。
#多模态
#多模态
今日 4 条Google DeepMind精选AI 评分7777 Microsoft Research 博客（RSS）AI 评分7272 微软研究院发布高效病理基础模型 GigaPath-Flash 与 GigaTIME-Flash
微软研究院推出 GigaPath-Flash 和 GigaTIME-Flash，旨在通过蒸馏技术大幅降低计算成本以支持大规模病理研究。GigaPath-Flash 将十亿参数模型压缩至 22M 参数，在保持竞争力的同时实现约 50 倍的算力节省；GigaTIME-Flash 则提升了空间蛋白质组学预测效率并改善了泛化能力。两款模型均以 Apache 2.0 协议开源，专为科研设计而非临床诊断，使研究人员能在单 GPU 上处理百万级切片数据。
IT之家（RSS）精选AI 评分7777 DeepSeek-V4-Flash-Vision-Exp 模型已开源，多模态 Agent 能力接近 Opus-4.8
DeepSeek 于 8 月 31 日在 Hugging Face 开源首个多模态模型 DeepSeek-V4-Flash-Vision-Exp，采用 MIT License，公开模型文件、Tokenizer、Prompt Encoding 参考实现及最小化 PyTorch 推理实现。
推荐理由：原文梳理了模型开源内容与能力定位，读者可据此评估其在多模态 Agent 场景中的可用性。
Google DeepMind精选AI 评分7171 Google DeepMind 发布 Gemini Omni 1.1 Flash
Google DeepMind 发布 Gemini Omni 1.1 Flash，为开发者带来场景延长、首尾帧插值、360p 快速草稿和最高 4K 放大等生成视频控制能力。
推荐理由：官方给出场景延长、首尾帧插值与 4K 放大等具体能力与开放入口，可据此判断生成视频工作流的变化。
Microsoft ResearchAI 评分3838 微软发布 MindTopo 基准，揭示多模态模型拓扑推理短板
Microsoft Research 推出 MindTopo 基准，用于评估多模态大语言模型的拓扑推理能力，覆盖连通性、分离、顺序、包围与打结五类任务，并区分静态识别与交互规划两个认知层级。测试显示，当前专有与开源模型在静态推理上明显强于交互规划，且两者均远低于人类水平；失败多出现在规划阶段而非感知阶段，模型在场景变化后难以维持结构关系。图像与视频生成仅在单帧关系可见时偶有帮助，跨序列仍不可靠。
Google DeepMind精选AI 评分7171 Google DeepMind 发布 SL2T 手语转文本模型，落地 Gboard 与 Live Transcribe
Google DeepMind 发布多语言手语转文本模型 SL2T，在 Gboard 和 Live Transcribe 中为 Pixel 11 提供手语听写功能，首发支持美国手语（ASL）转英文。
推荐理由：Google DeepMind 发布多语言手语转文本模型 SL2T，并首次落地 Gboard 与 Live Transcribe，可了解其数据规模与隐私设计。
Microsoft ResearchAI 评分4040 Microsoft Research 推出 CARE-X：面向临床放射学的胸部 X 光 VLM
Microsoft Research 发布研究模型 CARE-X，一个面向胸部 X 光多种临床解读任务的统一视觉语言模型，结合生成式与结构化预测，并用强化学习（DAPO）在多任务设置下奖励临床正确性。
Google DeepMind精选AI 评分7171 Google DeepMind 发布 Gemini Robotics ER 2 具身推理模型
Google DeepMind 发布 Gemini Robotics ER 2，定位为机器人的高层大脑，可理解物理世界、规划多步任务，并把动作执行交给底层 VLA 模型，同时支持调用 Google Search 等工具。
推荐理由：官方给出 ER 2 相对 ER 1.6 的能力升级与开放入口，读者可据此判断机器人在视频理解与多机协作上的进展。
Google DeepMind精选AI 评分7474 Google DeepMind 发布 Gemini Robotics 2，实现机器人全身控制
Google DeepMind 发布 Gemini Robotics 2，由 Gemini Robotics 2、Gemini Robotics ER 2 和 Gemini Robotics On-Device 2 三款模型组成，首次实现对人形机器人从脚到指尖的全身控制，并支持双手与夹爪的精细操作和多机器人协作。
推荐理由：官方给出三款模型的定位与开放入口，可据此判断机器人全身控制与端侧适配的进展。
Google DeepMind精选AI 评分7878 Google DeepMind 发布 Gemini 3.6 Flash、3.5 Flash-Lite 与 3.5 Flash Cyber
Google DeepMind 发布 Gemini 3.6 Flash、3.5 Flash-Lite 和面向代码安全的 3.5 Flash Cyber 三款模型。
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，可据此判断智能体工作流的成本变化。
Google DeepMind精选AI 评分7878 Google DeepMind 发布 Nano Banana 2 Lite 与 Gemini Omni Flash
Google DeepMind 发布 Nano Banana 2 Lite 和 Gemini Omni Flash 两款模型。
推荐理由：两款新模型给出了延迟、单价与可用入口，读者可据此判断图像与视频生成链路的成本变化。
Google DeepMind精选AI 评分7878 Google DeepMind 发布 Gemini 3.5 Live Translate 实时语音翻译模型
Google DeepMind 发布音频模型 Gemini 3.5 Live Translate，可自动检测 70+ 语言并生成保留说话人语调、节奏和音高的近实时语音翻译，全程仅落后说话人数秒。
推荐理由：Gemini 3.5 Live Translate 支持 70+ 语言连续语音翻译，并同步开放 API、Meet 与 Translate 入口，可据此判断实时翻译的落地节奏。
Google DeepMind精选AI 评分7878 Google DeepMind 发布 Gemma 4 12B：统一无编码器多模态模型
Google DeepMind 发布 Gemma 4 12B，一款面向笔记本本地运行的多模态模型，采用无编码器统一架构，视觉和音频输入直接进入 LLM 主干。该模型在标准基准上性能接近 26B MoE 模型，内存占用不到其一半，可在 16GB 显存或统一内存的设备上运行，并首次在中型模型中支持原生音频输入。
推荐理由：Gemma 4 12B 用无编码器架构把视觉和音频直接接入 LLM，读者可据此判断本地多模态智能体的硬件门槛。
Google DeepMind精选AI 评分8282 Google DeepMind 发布 Gemini Omni Flash，支持对话式视频编辑
Google DeepMind 发布 Omni 家族首个模型 Gemini Omni Flash，可组合图像、音频、视频和文本输入生成高质量视频，并通过自然语言多轮编辑视频。
推荐理由：Gemini Omni Flash 把对话式视频编辑和多模态输入整合进 Gemini 应用与 YouTube Shorts，可据此判断生成视频工作流的变化。
Google DeepMind精选AI 评分7171 Google 将 SynthID 与 C2PA 内容验证扩展到搜索、Gemini、Chrome 和 Pixel
Google 宣布扩展内容透明度与验证工具，把 SynthID 的图像、视频、音频验证从 Gemini 应用扩展到搜索，并将在未来几周进入 Chrome；Gemini 应用即日起新增 C2PA Content Credentials 验证，搜索和 Chrome 将在未来几个月跟进。
推荐理由：Google 把 SynthID 与 C2PA 验证铺到搜索、Gemini、Chrome 和 Pixel，读者可了解内容溯源工具的实际覆盖范围。
Google DeepMindAI 评分3636 Google DeepMind 与新加坡达成国家 AI 合作，落地医疗、教育与气候项目
Google DeepMind 宣布与新加坡政府达成国家 AI 合作，在医疗、科研、教育和气候领域落地新项目。合作包括探索 AI 辅助临床的「三方照护」模式、用 AlphaFold 和 Google Earth 推进东南亚传染病研究，并向新加坡中小学至初级学院全体教育者提供 Gemini for Education。
Google DeepMind精选AI 评分8888 Google DeepMind 发布 Gemini 3.5 Flash，主打智能体与编码
Google DeepMind 发布 Gemini 3.5 系列首个模型 3.5 Flash，定位面向智能体与编码的前沿性能，即日起通过 Gemini app、Google Search 的 AI Mode、Google Antigravity、Gemini API、Android Studio 及 Gemini Enterprise 等渠道开放。
推荐理由：Gemini 3.5 Flash 的基准成绩、速度与开放渠道一并给出，可据此判断智能体与编码任务的成本变化。
Google DeepMind精选AI 评分6262 Google DeepMind 发布 AI co-clinician 医疗智能体研究
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。
推荐理由：Google DeepMind 公开 AI co-clinician 研究，给出医生盲评与实时多模态模拟的对比结果，可了解医疗智能体当前的能力边界。
Google DeepMind精选AI 评分6666 Google DeepMind 发布 Gemini Robotics-ER 1.6，新增仪表读数能力
Google DeepMind 发布 Gemini Robotics-ER 1.6，这是其面向机器人推理的模型升级版，重点增强空间推理与多视角理解，并新增仪表读数能力，可读取圆形压力表、液位指示器和数字读数。
推荐理由：官方给出与上一代及 Gemini 3.0 Flash 的对比，并首次开放仪表读数能力，可据此判断机器人在巡检场景的落地边界。