Modular发布了Gemma 4，展示了AI编码代理在复杂系统工程任务中的能力。五个前沿模型成功重建了Wan 2.1文本到视频推理管道，证明了MAX图形API的有效性，并展示了调试和工程纪律的重要性，能够在新框架中构建完整的多模态推理系统。

文心大模型5.0正式上线，参数达到2.4万亿，提升了智能体与工具调用能力。PaddleOCR-VL-1.5发布，解决了曲面文档解析问题，并新增67个数据集，支持多模态推理与视频理解。社区活动包括文心Moment大会与AICA架构师培养计划，促进AI技术应用与开发者交流。

谷歌推出了Gemini 3 Flash，这是一款更小更快的模型，性能接近Gemini 3 Pro，尤其在多模态推理和编码方面表现优异，API使用成本相对较低。尽管成本上升，但效率和速度显著提升，适合开发者和消费者。

谷歌推出Nano Banana Pro，结合图像生成与Gemini多模态推理，能够将结构化内容转化为图表和信息图，提升语言理解与图像合成的结合。用户反馈积极，支持多语言文本渲染，适用于包装和UI预览等场景。该模型可合并多张参考图像，保持一致性并输出高分辨率图像，标志着基于推理的图像生成成为新标准。

谷歌推出了Gemini 3 Pro，这是其基础模型系列的最新版本，支持多种产品，表现出色，尤其在多模态推理任务和编码方面优于前一版本。此外，谷歌还将推出Gemini 3 Deep Think，以进一步提升性能。

Gemini 3 Pro模型已通过Vercel AI Gateway发布，专注于编码和多模态推理。测试显示其指令遵循和响应一致性显著提升，正确率比前代提高17%。该模型在前端生成和多轮交互中表现优异，适合开发者使用。

计算机视觉国际大会（ICCV）是顶级会议之一，专注于视频理解和多模态推理，涵盖时间表示、实时对话生成和视觉大语言模型等研究，推动了计算机视觉领域的发展。

OpenAI在比赛中表现不佳，AI能迅速解决复杂问题，而人类队伍则需多次尝试。Gemini开源代码，OpenAI未公开，可能因代码不优雅或出于战略考虑。Anthropic未参赛，因多模态推理要求高。美国大学未获金牌引发思考。

阿里云的Qwen 3是一个先进的大型语言模型，支持文本生成和多模态推理。其硬件需求根据模型大小和使用场景而异，训练需要高性能GPU和大存储，推理可使用消费级GPU或多GPU集群。推荐使用阿里云的MaaS进行经济高效的部署。

2025年4月，OpenAI发布o4-mini，专注于多模态推理和工具集成，适合编码和图像分析；Google推出Gemini 2.5 Flash，支持可调推理深度及视频、音频输入。两者在性能、速度和成本效率上均有显著进展，适用于不同应用场景。