统一理解与生成，跨图像、视频、音频的模型能力和技术报告。
Sentence Transformers v6.0 新增 MultiVectorEncoder，将 PyLate、Stanford-NLP ColBERT 和 ColPali 系列模型统一到同一 API，支持基于 MaxSim 的多向量检索。文章展示了文本、页面图像、音频和视频的编码与检索方法，并比较了索引存储、Token Pooling、检索后重排和多种向量数据库方案。
推荐理由：文章用代码串起模型加载、MaxSim 评分、索引与多模态检索，便于评估 token 级匹配在质量和存储成本之间的取舍。
Google DeepMind 发布手语到文本模型 SL2T 1.0，支持在 Gboard 和 Live Transcribe 中将 ASL 翻译为英文，首发于 Pixel 11，且无需额外费用。
推荐理由：这次发布同时给出模型训练规模、FLEURS-ASL结果与隐私处理路径，便于判断手语翻译走向产品化时的能力边界。
Meta 发布 Muse Glimmer-30B，这款采用 Apache 2.0 许可的开源多模态模型面向本地智能体场景。模型由 2B ViT-style 视觉编码器和 28B 文本解码器组成，并支持图像、视频输入与多模态工具调用。
推荐理由：原文同时给出 Muse Glimmer 的 30B 架构、Apache 2.0 开放方式和本地部署路径，便于评估多模态智能体的落地门槛。
Wan Animate 2 已在 ComfyUI 中原生支持，该模型采用端到端角色动画框架，驱动视频直接进入重新设计的 Diffusion Transformer，省去中间运动提取器，以提升运动保真度和角色身份一致性，并支持文本驱动的视角控制。
推荐理由：ComfyUI 原生接入 Wan Animate 2，读者可据此判断角色动画工作流的节点改动与实时化路径。
Seedance 2.5 通过 Partner Nodes 在 ComfyUI 上线，单次生成一段连续 30 秒视频，无需拼接短片。单次生成最多可接入 50 个参考素材，包括 30 张图片、10 个视频和 10 个音频文件，参考素材可在提示词中逐条指定。
推荐理由：ComfyUI 接入 Seedance 2.5 后，可据此判断单次 30 秒连续生成与 50 个参考素材对现有分镜拼接流程的替代空间。
字节 Seed 正式推出原生音视频全双工大模型 SeedRealtime，用统一架构融合音频、视频与文本，支持在连续多模态流上实时交互。官方称端到端人工评测中，相比级联模型音视频对话节奏问题减少一半，单次对话顺畅完整交流的概率明显提升。该模型已在豆包 App 全量上线，更新后在对话框选择打电话进入视频通话即可体验。
推荐理由：官方披露了统一架构、端到端评测口径与豆包全量上线入口，可据此判断全双工音视频交互的落地形态。
MiniMax H3 今日发布开放权重，并在 ComfyUI 中获得 Day-0 原生支持，可接收文本、图像、视频或音频，生成带立体声的 2K、最长 15 秒视频。
推荐理由：文章把 H3 的多模态输入、原生立体声和 ComfyUI 本地运行路径放在一起，并给出显存缩减与工作流入口，便于评估视频创作部署成本。
字节跳动 Seed 团队正式发布新一代视频创作模型 Seedance 2.5，单次生成时长从 15 秒提升至 30 秒并支持多轮延长，延续 Seedance 2.0 统一的多模态音视频联合生成架构，重点突破长叙事、多模态参考和编辑能力。
推荐理由：官方给出 30 秒单次生成、多模态参考与时间戳编辑的具体能力边界，可据此判断长叙事视频工作流的可用性。
Google DeepMind 发布 Gemini Robotics ER 2，作为机器人的高层具身推理模型，可理解连续视频、编排多步任务并把动作执行交给底层 VLA 模型，同时原生调用 Google Search 等工具。
推荐理由：官方给出视频理解、任务编排与多机协作的能力边界和开放入口，可用于判断机器人上层编排模型的选型。
ComfyUI 发布 v0.29.0，更新视频转码、视频处理节点与训练支持，并新增 JoyImageEdit、Gemma4 12B、MageFlow 和 Wan 的 Uni3C Controlnet 原生支持。Partner Nodes 新增 GPT5.6、Gemini 3.5 Flash、Claude Opus 5、Recraft V4.1 等模型或节点，同时包含多项性能优化与修复。
推荐理由：这次更新把视频处理、控制模型和第三方模型接入集中到同一版本，便于评估 ComfyUI 工作流的兼容范围与处理效率。
Google DeepMind 发布 Gemini Robotics 2，作为新一代机器人智能层，首次让模型控制完整人形机器人，实现从脚到指尖的全身控制、灵巧操作与多机器人协作。
推荐理由：Gemini Robotics 2 把 VLA 控制从上半身扩展到全身并支持多机器人协作，可据此判断具身智能的模型分层与端侧部署路线。
字节 Seed 发布音频创作模型 Seed Audio 1.0，在统一框架下联合建模人声、音效和环境声，端到端生成完整声音场景，并已在火山方舟体验中心上线。模型支持一条 prompt 编排对白、音效与环境声，时间控制精度达 100ms，支持零样本音色生成与参考音频延展，单次可生成约 2 分钟音频并继续延长以保持角色一致性。
推荐理由：官方披露了统一建模多要素音频、100ms 时间控制与 20+ 语种等能力，可据此判断其在配音与多语种内容生产中的可用边界。
Hugging Face Diffusers 发布 0.39.0，新增 Cosmos 3、Ideogram 4、Krea 2、DreamLite、PRX Pixel、Motif-Video、AnyFlow、JoyAI-Image-Edit、DiffusionGemma、Anima 等图像与视频管线。
推荐理由：Diffusers 0.39.0 一次性接入 Cosmos 3、Ideogram 4、Krea 2 等十余条新管线，可据此判断各模型的开放方式与工程适配成本。
Google DeepMind 发布 Nano Banana 2 Lite（gemini-3.1-flash-lite-image）与 Gemini Omni Flash（gemini-omni-flash-preview）两款模型。
推荐理由：两款模型的延迟、单价与限制条件都写明了，可据此判断图像到视频链路的选型与成本。
ComfyUI 发布 v0.26.0，新增 Qwen3-VL 文本生成、Boogu-Image、Krea2、Load3DAdvanced 以及 LTX2 的 Context Windows sampling 支持。
推荐理由：该版本把多种模型节点、分辨率支持和工作流基础设施集中到一次更新中，便于评估 ComfyUI 的模型接入与创作流程变化。
ElevenLabs 在 ElevenCreative 内推出 Ads Engine，首个能力是广告本地化，可接入 Google Ads 和 Meta Ads 账号，拉取现有素材与投放数据，同时完成文本翻译、图像适配和视频配音，再把本地化版本推回 Google、Meta 和 LinkedIn。
推荐理由：官方披露广告本地化引擎的接入方式与工作流，可据此判断多语言投放的素材生产与审片环节如何变化。
Google DeepMind 发布 Gemini 3.5 Live Translate，一款支持 70 多种语言的近实时语音到语音翻译音频模型，可自动检测语言并保留说话人的语调、节奏和音高。
推荐理由：官方披露了连续语音翻译的延迟取舍与多产品开放节奏，可据此判断实时语音翻译的选型与接入时机。
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 显存或统一内存的消费级笔记本上运行，并首次在中型模型中支持原生音频输入。
推荐理由：Gemma 4 12B 的无编码器架构与 16GB 本地运行门槛，为端侧多模态与智能体选型提供了新的权衡参考。
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。