跳到正文

#Google

今日 1 条
今天10月3日周六
10月2日周五
10月1日周四
  1. arXiv · 多模态、视频与世界模型86

    Asking the World 提出智能体世界建模与探测方法，提升视频物理推理

    Shenxiang Zeng 的论文提出 Asking the World（ATW），通过世界建模与世界探测两个自适应阶段，从视频构建并干预可执行的物理世界。基于 Gemini-3-Flash，ATW 在 CLEVRER 上达到 80.82% 问题级准确率，在 ContPhy 上达到 70.56%，并在三个真实场景中达到 71.67%。

    推荐理由：论文将视频中的物理推理转化为可执行世界的建模与探测，并用多组基准展示了这种验证式流程相对直接 VLM 推理的提升。

  2. TechCrunch · AI53

    Google 发布 Gemini 4 Argon，主打防御性网络安全与复杂任务处理

    Google 发布 Gemini 4 Argon，称其面向编码、研究和写作等任务，尤其擅长防御性网络安全，并可自主发现、验证和修复关键软件漏洞。Argon 目前仅通过 Fairwind Program 向一组选定的网络安全合作伙伴开放。Google 还称其在多项基准测试中高于 OpenAI 的 GPT-6 Astra 及 Anthropic 的 Fable、Opus。

  3. The Decoder84

    Google 发布 Gemini 4 Argon，性能追近 OpenAI 和 Anthropic 但未形成明确领先

    Google 发布前沿模型 Gemini 4 Argon，支持文本、图像、视频和音频输入，输出文本，初期仅向 Fairwind 计划中的“trusted cyber defenders”和内部团队开放。

    推荐理由：文章同时给出独立评测、价格与 token 消耗，能帮助读者区分 Gemini 4 Argon 的性能追赶、成本优势和效率代价。

  4. 宝玉74

    谷歌发布新一代旗舰模型 Gemini 4 Argon，在 19 项对比测试中 13 项第一，输出上限从上一代 6.4 万 token 提升到单次最多 100 万 token。

    引用Sundar Pichai@sundarpichai

    Lots of discussion out there about our next model(!), so I wanted to give an early look as soon as possible. Introducing Gemini 4 Argon! It shows frontier performance in complex workflows, cyber defense and software engineering. Teams are using it extensively at Google, from coding to quantum computing, great feedback. Here’s a look at the benchmarks:

9月30日周三
  1. Google DeepMind66

    Google DeepMind 发布 SynthID Bio，为 AI 设计蛋白质加入可验证水印

    Google DeepMind 发布 SynthID Bio，可将不可感知的签名嵌入蛋白质序列或预测的3D结构，并在合成后的实体蛋白质上验证来源。实验覆盖 VEGF-A、SARS-CoV-2 spike protein RBD 和 PD-L1 三种目标，水印设计保持了未加水印版本的命中率、结合亲和力和天然序列多样性。Google DeepMind 同时开放方法论文、代码、体外数据和研究权重。

    推荐理由：文章同时给出蛋白序列与3D结构水印的实现路径、实验边界和开放内容，便于判断其在生物安全审查与科研数据库溯源中的落地位置。

9月25日周五
  1. Google DeepMind78

    Google DeepMind 发布 Gemini 3.8 Live with Live Avatar

    Google DeepMind 发布 Gemini 3.8 Live with Live Avatar，在 Gemini 3.8 Live 基础上把近实时视频生成与语音结合，让对话模型具备会听、会看、会说的动态视觉形象，即日起在 Gemini Enterprise 提供。

    推荐理由：官方披露了实时视频与语音耦合、异步工具调用和 97 语言口型同步等能力边界，可供企业评估数字人客服与交互式导览的落地条件。

9月23日周三
9月16日周三
9月2日周三
8月28日周五
8月27日周四
8月21日周五
  1. Google DeepMind62

    Google DeepMind 与 Fenris Creations 合作，用 EVE 宇宙推进通用游戏智能体研究

    Google DeepMind 宣布与 EVE 宇宙开发商 Fenris Creations 建立研究合作，把 EVE Online、EVE Vanguard 和 EVE Frontier 作为研究持续学习、记忆、长时程规划和复杂多智能体动态的环境。

    推荐理由：DeepMind 公开了游戏智能体从离线沙盒到持久世界的推进路径，可据此判断通用游戏 Agent 的落地节奏与安全边界。

8月12日周三
7月30日周四
  1. Google DeepMind62

    Google DeepMind 发布 Gemini Robotics ER 2 具身推理模型

    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。

  2. Google DeepMind60

    Google DeepMind 在 Flow Music 发布音乐生成模型 Lyria 3.5

    Google DeepMind 发布新一代音乐生成模型 Lyria 3.5，并即日起在 Google Flow Music 中上线。官方称其在音乐性、歌词、人声和创作控制四方面均有提升：旋律结构更丰富自然，歌词质量与提示词遵循、结构感知更好，人声更具表现力和情感且发音改善，并可更便捷地控制输出节奏与时长。

    推荐理由：官方给出 Lyria 3.5 在旋律、歌词、人声与节奏控制上的具体改进方向，可供音乐生成工具选型参考。

7月28日周二
  1. Google DeepMind66

    Google DeepMind 发布 Gemini Robotics 2，为机器人带来全身智能

    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。

7月21日周二
7月3日周五
  1. Diffusers · Releases62

    Diffusers 0.39.0 发布：新增 Cosmos 3、Ideogram 4、Krea 2 等多条图像与视频管线

    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。

7月1日周三
6月9日周二
  2. Google DeepMind73

    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。

6月3日周三
  1. World Labs · 空间智能与世界模型62

    World Labs 提出世界模型功能分类：渲染器、模拟器与规划器

    World Labs 发布文章，把当前被称为世界模型的能力拆成三类功能：渲染器输出像素、追求视觉保真；模拟器输出状态，要求几何、物理与动力学忠实；规划器输出动作，回答智能体下一步该做什么。

    推荐理由：World Labs 把世界模型拆成渲染、模拟、规划三类，并说明模拟为何是连接视觉与行动的关键环节。

5月18日周一
  1. Google DeepMind91

    Google DeepMind 发布 Gemini Omni，首个模型 Gemini Omni Flash 开始上线

    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。

5月16日周六
4月30日周四
  1. Google DeepMind66

    Google DeepMind 宣布 AI co-clinician 研究计划，探索临床监督下的医疗协作

    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。

4月16日周四
  1. Google DeepMind82

    Google 发布 Gemini 3.1 Flash TTS 语音模型

    Google 推出 Gemini 3.1 Flash TTS，提升语音质量、可控性与表现力，并支持 70+ 语言和原生多说话人对话。模型引入可通过自然语言控制音色、语速和表达方式的音频标签，开发者可在 Gemini API 和 Google AI Studio 预览，企业可通过 Vertex AI 预览，Workspace 用户可在 Google Vids 使用。

    推荐理由：音频标签、多人对话和 70+ 语言支持，为评估语音产品的表达控制、全球化覆盖与 API 落地路径提供了具体参照。

4月13日周一
  1. Google DeepMind69

    Google DeepMind 发布 Gemini Robotics-ER 1.6，增强机器人具身推理能力

    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。

5月22日周四
8月2日周五
7月12日周五