ElevenLabs 在 ElevenCreative 推出 Flows Agent，将对话式 AI 助手接入 Flows 画布，自动选择模型、创建并连接节点，执行图像、视频和音频生成流程。它支持通过对话修改已有流程，并可在高成本生成前请求确认；复杂工作流也能在后台运行，现已在 ElevenCreative 提供使用。
推荐理由：它把多模态节点编排、生成执行和变体迭代合并到对话入口，可用于判断创作流程如何降低试错与额度控制成本。
Google DeepMind 发布 Gemini Omni，并推出首个模型 Gemini Omni Flash，支持结合图像、音频、视频和文本输入生成视频。用户可通过自然语言多轮编辑视频，保持角色、物理效果和场景连续性。
推荐理由：材料给出了多模态输入、连续对话编辑和时空一致性等能力，并交代订阅、免费入口与 API 计划，便于判断其创作工作流适配范围。
Google DeepMind 宣布在新加坡启动多项计划，并参与 Google 与新加坡政府新的国家 AI 合作伙伴关系，重点覆盖医疗、生命科学、教育、科研和劳动力发展。
Google DeepMind 发布 Gemini 3.5 系列，首发 Gemini 3.5 Flash，面向智能体与编码等复杂长程任务。
推荐理由：原文给出 Gemini 3.5 Flash 的智能体、编码与多模态基准，以及 API 和产品入口，便于比较模型能力与落地渠道。
Runway 推出基于 GWM-1 的实时视频生成模型 Runway Characters，由单张参考图生成可对话角色，处理眼神、口型同步、表情与说话和倾听时的手势，并能在长对话中维持质量。
推荐理由：Runway 把实时逐帧生成与交互控制讲成产品路线，可据此判断世界模型在角色对话与仿真训练中的落地边界。
Google DeepMind 宣布 AI co-clinician 研究计划，探索在医生临床监督下由 AI 智能体协助患者护理，并评估其面向医生和患者的能力。在98个真实感初级保健问题中，系统有97个案例未出现关键错误，并在开放式药物问答中超过其他前沿 AI 系统。实时音视频远程医疗模拟显示，AI co-clinician 在140项会诊能力中的68项达到或超过初级保健医生，但医生整体表现更好。
推荐理由：文章同时给出证据检索、药物问答和实时多模态会诊的评测设计，可用于理解医疗智能体的能力边界与临床安全架构。
字节 Seed 正式发布新一代 3D 生成大模型 Seed3D 2.0，围绕几何精度和材质质量做架构升级，官方称在几何生成、纹理材质生成两项核心指标上均取得 SOTA。
推荐理由：官方披露了两阶段 DiT 几何生成与统一 PBR 材质方案，可据此判断 3D 生成在仿真与部件级建模上的可用边界。
Replicate 发布 Seedance 2.0 使用教程，介绍该模型可同时接收最多 9 张图片、3 段视频、3 个音频和文本提示，并用 [Image1]、[Audio1] 等标记在提示词中引用素材。
推荐理由：通过参考素材组合、时间码分镜和音画同源三条实操路径，可迁移到需要角色一致性与多镜头调度的视频创作流程。
Google DeepMind 发布 Gemini Robotics-ER 1.6，增强机器人所需的空间推理、多视角理解、任务规划和成功检测能力。模型新增仪表读数能力，可通过 Gemini API 和 Google AI Studio 提供给开发者，并支持调用 Google Search、VLA 或用户自定义函数。
推荐理由：文章给出 Gemini Robotics-ER 1.6 在空间推理、多视角成功检测和仪表读数上的能力变化，并说明其通过 Gemini API 与 Google AI Studio 接入机器人工作流的方式。
字节 Seed 正式推出原生全双工语音大模型 Seeduplex，基于边听边说框架，已在豆包 App 全量上线。官方称相比上一代半双工豆包端到端语音模型，其复杂场景误回复率和误打断率减少一半，抢话比例相对下降 40%，判停 MOS 分提高 8%、对话流畅度 MOS 分提升 12%，快问快答场景时延降低约 250ms。
推荐理由：官方给出全双工语音模型的架构思路与多项对比数据，可据此判断实时语音交互的技术路线与落地进度。
World Labs 发布长文《3D as code》，提出 3D 是描述和交互物理与虚拟世界的通用接口，类比关系为 3D 相当于代码、神经图形相当于编程语言、仿真引擎相当于芯片。
推荐理由：World Labs 把 3D 类比为代码、仿真引擎类比为芯片，为判断世界模型该走端到端还是混合架构提供了一条清晰的分析框架。
字节跳动 Seed 团队发布 Seedream 5.0 Lite 智能图像创作模型，相比 4.0 在理解、推理和生成方面全面提升，并首次为 Seedream 系列引入实时检索增强能力，可联网获取最新资讯回应时效性创作需求。
推荐理由：官方披露了多模态统一架构与实时检索增强的落地方式，可据此判断图像模型向推理型创作助手演进的具体路径。
字节跳动 Seed 团队正式发布新一代视频创作模型 Seedance 2.0，采用统一的多模态音视频联合生成架构，支持文字、图片、音频、视频四种模态输入，可同时输入多达 9 张图片、3 段视频、3 段音频及自然语言指令。
推荐理由：官方给出多模态参考、视频编辑与双声道音频的能力边界和失败项，可据此判断其在电商与影视流程中的可用位置。
字节 Seed 团队正式发布新一代音视频创作模型 Seedance 1.5 pro，支持文本到音视频合成与图像引导的音视频生成，已上线即梦AI和豆包。模型采用基于 MMDiT 的统一音视频联合生成框架，实现口型、语调与表演节奏的音画同步，原生支持中文、英文、日文、韩语、西班牙语、印尼语及四川话、粤语等方言。
推荐理由：官方披露了音视频联合生成的架构与评测细节，可据此判断音画同步能力在短剧、广告等场景的可用边界。
Perceptron AI 发布 Isaac 0.1，一个 2B 参数的开源权重视觉语言模型，面向有依据的感知任务，现可在 Replicate 上运行。该模型能回答图像问题、推理空间关系、在杂乱环境中读取文字，并给出与答案对应的边界框或区域以提供依据。官方称其在 OCR、物体识别和视觉推理上可媲美体量大得多的模型，且仅需少量标注示例即可适配新任务，无需微调。
推荐理由：可了解一个 2B 开源视觉语言模型在 OCR、空间推理与少样本适配上的定位，供选型参考。
ElevenLabs 发布 Image & Video（Beta），将图像、视频和音频创作整合到同一平台工作流中。用户可调用 Veo、Sora、Kling、Wan、Seedance 等模型生成视频，也可使用 Nanobanana、Flux Kontext、GPT Image 和 Seedream 生成图像，并在 Studio 中完成配音、音乐、音效、口型同步、时间线调整和导出。
推荐理由：将图像、视频生成与配音、音乐、音效及时间线编辑放进同一工作流，便于评估一站式多模态创作的实际覆盖范围。
World Labs 宣布 Marble 多模态世界模型面向所有用户开放，可从文本、图像、视频或粗略 3D 布局生成 3D 世界。Marble 支持交互式编辑、扩展和组合世界，并可导出为 Gaussian splats、网格或视频；同时推出创作中心 Marble Labs。
推荐理由：Marble 将文本、图像、视频和粗略 3D 布局纳入同一创作流程，并提供编辑、扩展与导出能力，可用于判断其对世界构建工作流的适配度。
Harvey 与 ElevenLabs 合作，为法律行业打造全球多语言语音能力，使 Harvey 能以数十种语言、方言或口音自然交流。首阶段将支持 Harvey 几乎以任何语言或方言朗读回答，能力由 ElevenLabs 的 Text to Speech 和 Speech to Text 驱动；后续将加入多语言语音翻译、voice mode、口头庭审模拟和语调定制。
字节跳动 Seed 团队正式发布新一代图像创作模型 Seedream 4.0，用同一套架构统一文生图与通用编辑能力，并融合常识与推理。相比 Seedream 3.0 和 SeedEdit 3.0，其多模态玩法、风格化美感、逻辑理解力均有提升，最高分辨率从 2K 扩展至 4K，DiT 生图推理速度提升超 10 倍。
推荐理由：官方给出统一架构下的生成与编辑能力、4K 与推理加速细节，可据此判断图像创作工具链的选型方向。
字节跳动 Seed 团队发布端到端同声传译模型 Seed LiveInterpret 2.0，支持中英互译，采用全双工语音理解生成框架实现边听边说，翻译延迟低至 2-3 秒，较传统机器同传降低超 60%。
推荐理由：官方给出中英同传的准确率、延迟与声音复刻数据，可据此判断实时语音翻译的可用边界。
字节跳动 Seed 团队发布视频生成基础模型 Seedance 1.0，支持文字与图片输入，可生成多镜头无缝切换的 1080p 视频，并已公开技术报告。官方称在第三方评测榜单 Artificial Analysis 的文生视频、图生视频两个任务上均位居首位，5 秒 1080p 视频在 L20 上实测推理耗时 41.4 秒。模型已通过即梦、豆包及火山引擎 API 开放使用，技术报告可在项目主页查看。
推荐理由：官方技术报告披露了多镜头叙事、统一任务框架与推理加速的具体设计，可供视频生成选型与创作流程参考。
Replicate现已支持运行 OpenAI 的 GPT-4.1、GPT-4o 和 o-series 等聊天、视觉与推理模型。GPT-4.1系列支持最长 1 million tokens 的上下文，GPT-4o系列处理文本、图像和音频，o-series面向数学、科学与复杂问题的结构化推理。
推荐理由：材料按上下文、模态、推理任务和成本速度列出模型差异，并给出 Replicate 网页界面与 API 的操作入口。
豆包实时语音大模型正式推出，并在豆包 APP 全量开放，升级至 7.2.0 版本即可体验。该模型是语音理解与生成一体化的端到端语音系统，相比传统 ASR+LLM+TTS 级联模式，具备低时延、对话中可随时打断、情绪承接和语音指令控制等特性，主要面向中文语境，可进行英语对话但暂不支持多语种。
推荐理由：官方给出端到端语音架构、众测维度与满意度对比，可用于判断实时语音交互的落地程度与能力边界。
Fal.ai 发布 68 亿参数开源文生图模型 AuraFlow，性能对标闭源方案。研究者推出 llama.ttf，将完整语言模型推理引擎嵌入字体文件。Google DeepMind 提出 JEST 方法，数据筛选效率比随机采样高 13 倍，可用 10 倍更少算力训练高质量多模态模型。