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进展。
Google 在 I/O 2026 发布 Gemini 3.5 Flash，官方称其对比 3.1 Pro 在几乎所有基准上更好，输出速度是其他前沿模型的 4 倍，价格不到同类前沿模型的一半，即日起在 Google 全线产品与 API 提供，Gemini 3.5 Pro 将于下月推出。
推荐理由：Google 一次性放出 Gemini 3.5 Flash、Gemini Omni 与 Antigravity 2.0，读者可据此判断其智能体产品线的整体走向。
Google DeepMind 为实验性原型 Project Genie 推出 Street View 实景锚定能力，用户可选取美国地点并搭配风格与角色描述，生成起点绑定真实街景的互动世界，该能力由 Maps Imagery Grounding 技术驱动。
推荐理由：官方说明 Genie 接入 Street View 实景锚定，读者可了解世界模型如何为智能体与机器人提供贴近现实的环境。
字节 Seed 发布论文 Seedance 2.0，主题为面向世界复杂度的视频生成，原文链接为 https://seed.bytedance.com/zh/public_papers/seedance-2-0-advancing-video-generation-for-world-complexity。
OpenAI 发布 GPT-4o，Sam Altman 表示已在 ChatGPT 中免费提供这一模型，且不含广告。他称新的语音与视频模式是自己用过最好的计算机界面，达到接近人类的响应速度和表现力，并提到后续会加入可选个性化、访问用户信息以及代为执行操作等能力。
推荐理由：OpenAI 官方说明 GPT-4o 免费开放与语音视频模式，读者可了解其能力定位与商业化取舍。