跳到正文

Google / DeepMind

Gemini 多模态理解、Veo / Imagen 生成与 Genie 世界模型，关注能力、研究与可用范围。

38条精选

最新精选

第 21–38 条 · 共 38 条
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
  2. 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。

11月20日周四
  1. Replicate · 模型与制作实践73

    如何为 Nano Banana Pro 写提示词：Replicate 实测其逻辑推理、文字渲染与角色一致性

    Replicate 发布 Nano Banana Pro 提示词实践指南，称该模型具备图像内文字的逻辑推理能力，可读取作业题并给出带解题步骤的答案，也能把论文、财报 PDF 转成信息图。

    推荐理由：汇总了 Nano Banana Pro 在文字渲染、角色一致性和世界知识上的实测边界，可据此判断它适合哪些创作环节。

10月16日周四
  1. Replicate · 模型与制作实践84

    Veo 3.1 提示词编写指南：参考生视频与首尾帧控制

    Replicate 介绍 Veo 3.1 的提示词编写方法，以及参考生视频、首尾帧生视频和增强图生视频功能。参考生视频最多接收三张图片并结合文本生成连贯场景，其余端点提供耗时低于 60 秒、价格约为标准版本一半的快速生成选项。

    推荐理由：文章把镜头构图、焦段、风格和运动等提示词要素，与参考图、首尾帧及快速版本的使用场景对应起来，便于设计可控的视频生成流程。

9月23日周二
  1. Replicate · 模型与制作实践68

    Replicate 对多款图像编辑模型的对比评测：如何选择合适模型

    Replicate 对多款图像编辑模型进行了对象移除、视角转换、背景编辑、文字编辑和风格迁移测试，并比较了价格与推理时间。

    推荐理由：这份按对象移除、视角转换、背景编辑、文字编辑和风格迁移展开的对比，可为图像编辑模型的任务选型提供具体参照。

8月1日周五
  1. Replicate · 模型与制作实践60

    如何用图像提示 Veo 3：Replicate 实测风格保持与文字动画

    Replicate 发布 Veo 3 图像输入的使用技巧，实测显示模型能在动画中保持输入图的画风、滤镜和调色，并让文字在复杂背景中保持清晰可读。输入图始终作为视频首帧，可用提示词只动画局部元素、其余保持静止，也可先用 Ideogram 3.0 生成特定风格图再交给 Veo 3 做动作与运镜，从而把风格控制交给图像模型。

    推荐理由：Replicate 实测了 Veo 3 图像输入在风格保持、文字动画和局部动画上的表现，可据此调整参考图加提示词的创作流程。

6月10日周二
  1. Replicate · 模型与制作实践60

    Replicate 发布 Veo 3 提示词指南：如何写出最佳效果

    Replicate 发布 Veo 3 提示词指南，建议在提示词中明确主体、场景、动作、风格、镜头运动、构图与氛围，并单独描述对白、环境音、音效和音乐。文中指出 Veo 3 对同一提示词多次生成结果高度相似，想探索不同效果应改用差异较大的提示词；保持角色描述逐字一致可提升跨场景视觉连续性。

    推荐理由：Replicate 基于实测给出 Veo 3 的提示词结构、音频与角色一致性写法，可迁移到视频生成工作流。

6月6日周五
  1. Replicate · 模型与制作实践79

    Google Veo 3 使用指南：从原生音频到镜头提示词

    Replicate介绍 Google Veo 3 的视频生成能力，并分享一套涵盖镜头构图、焦段效果、风格和运镜的提示词方法。文章还展示了对话与口型同步、视频游戏世界等案例，并给出冰柱特写示例提示词。

    推荐理由：文章整理了 Veo 3 的镜头构图、焦段、风格与运镜提示词，并结合对话、口型同步和游戏世界生成案例，便于复用其视频创作流程。

5月22日周四
8月2日周五