Google DeepMind 发布 EmbeddingGemma 2 开源轻量多模态嵌入模型
Google DeepMind 发布 EmbeddingGemma 2，这是面向端侧的多模态嵌入模型，原生将文本、图像、音频和视频映射到统一嵌入空间，基于 Gemma 4 架构、Apache 2.0 许可，参数量 740M。
推荐理由：EmbeddingGemma 2 把文本、图像、音频、视频统一到同一嵌入空间，并给出端侧内存与向量截断的具体数据，便于评估本地多模态检索的可行性。
#多模态
#多模态
今日 0 条Google DeepMind精选AI 评分7878
AWS Machine Learning BlogAI 评分2222 Condé Nast 如何用 Amazon Bedrock 构建多模态视频检索
Condé Nast 与 AWS 生成式 AI 创新中心合作，基于 Amazon Bedrock 和 Amazon OpenSearch Service 构建多模态视频检索方案，采用 TwelveLabs Marengo 嵌入模型联合编码画面、音频与转录文本。该方案将单次内容检索耗时从 250 分钟降至 2 分钟以内，支持自然语言意图搜索、以图搜视频和精确时间戳定位，覆盖其 14 万余条视频库。
Microsoft Research精选AI 评分6262 微软研究院推出 Quine：面向生物学复杂性的 AI 研究系统
微软研究院推出 Quine，一个面向生物学复杂性的 AI 研究系统，由生物世界模型和连接模型、科学工具、文献与实验人员的交互式 harness 组成。该系统与 Broad Institute 合作用于胰腺导管腺癌研究，预测并优先排序数千种化合物，最高排名化合物在湿实验中产生了最大的经典态向基底态转变，从缩小搜索空间到选出候选验证仅用一个周末。
推荐理由：微软研究院公开 Quine 的生物世界模型与实验闭环，并给出胰腺癌化合物筛选的湿实验验证结果。
Microsoft ResearchAI 评分1818 微软亚洲研究院新加坡分院成立一年：推进前沿 AI 研究、合作与人才培养
微软亚洲研究院新加坡分院（MSRA – Singapore）作为微软在东南亚的首个研究实验室，成立一年来围绕下一代 AI 模型与智能体系统、领域专用 AI、AI 原生研究实践、生态与人才培养四大方向展开工作。该实验室与新加坡医疗生态伙伴合作推进多模态医疗 AI 和自演化诊断智能体，并联合 EDB 于 2026 年 2 月举办物流与运输 AI 高管圆桌会。
Google DeepMind精选AI 评分6666 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 的原生实时对话模型上加入近实时视频生成，实现带精确唇形同步、自然表情和流畅轮次的视觉化对话。
推荐理由：官方给出 Live Avatar 的实时视频对话能力、异步工具调用与 97 种语言同步等具体细节，可据此判断企业级多模态交互的落地形态。
NVIDIA BlogAI 评分2222 NVIDIA 与合作伙伴在新加坡 AI Day 展示东南亚 AI 进展
NVIDIA 在新加坡 AI Day 上联合合作伙伴展示东南亚 AI 落地进展，新加坡 HTX 正基于 Nemotron 3 Super 与 Nemotron 3 Nano Omni 研究公共安全 AI。
Google DeepMind精选AI 评分6666 Google DeepMind 发布全球天气 AI 模型 WeatherNext 3
Google DeepMind 与 Google Research 发布 WeatherNext 3，称其为目前最先进、最准确的全球天气模型，可直接学习实时卫星观测数据，每小时生成一次预报，最高分辨率达 5 公里，整体比上一代 WeatherNext 2 清晰约 5 倍。
推荐理由：官方给出分辨率、更新频率与降水精度提升幅度，并说明已接入 Search、Gemini、Maps 等产品。
Google DeepMind精选AI 评分7171 Google DeepMind 在 Gemini 3.7 Flash 等模型上线智能体视频理解
Google DeepMind 在 Gemini 3.7 Flash、3.6 Flash 和 3.5 Flash-Lite 上推出智能体视频理解功能，通过原生视频工具动态搜索、扫描和检查目标片段，替代固定帧率的静态处理。
推荐理由：官方给出 token 与成本降幅及准确率变化，并说明在长视频场景下与静态处理的取舍差异。
Google DeepMind精选AI 评分6565 Google DeepMind 发布 Gemini Omni 1.1 Flash，强化生成视频控制能力
Google DeepMind 发布 Gemini Omni 1.1 Flash，为开发者提供场景延展、首尾帧插值、360p 快速草稿和最高 4K 上采样等生成视频控制能力，通过 Gemini API 在 Google AI Studio 提供。
推荐理由：官方给出场景延展、首尾帧插值与 4K 上采样等具体能力变化，可据此判断生成视频工作流的可控程度。
Microsoft ResearchAI 评分3939 微软研究院发布 MindTopo 基准，揭示多模态模型拓扑推理短板
微软研究院推出 MindTopo 基准，用于评估多模态大语言模型的拓扑推理能力，覆盖连通性、分离、顺序、包围与打结五类关系，并区分静态推理与交互规划两个认知层级。测试显示，当前模型在静态识别上明显优于交互规划，且两者均远低于人类水平，失败多出现在规划阶段而非感知阶段。图像与视频生成仅在单帧内保留拓扑关系时有用，跨动作序列仍不可靠。
Google DeepMind精选AI 评分7171 Google DeepMind 发布 SL2T 手语转文字模型，率先落地 Pixel 11 的 Gboard 与 Live Transcribe
Google DeepMind 发布多语言手语转文字模型 SL2T，首次把手语 AI 带入消费产品，在 Pixel 11 的 Gboard 和 Live Transcribe 中支持美国手语（ASL）转英文听写，后续将扩展更多设备与语言。
推荐理由：官方给出 SL2T 的训练规模、基准分数与端侧隐私方案，可据此判断手语转文字落地的可行边界。
Microsoft ResearchAI 评分4040 微软研究院发布 CARE-X：面向临床可用的放射学 VLM，融合辅助监督、奖励对齐学习与工具增强测量
微软研究院推出放射学研究模型 CARE-X，一个统一胸部 X 光 VLM，可同时完成报告生成、疾病存在与否定判断、病灶定位及多标签分类等任务，并支持生成式与双推理两种模式。
Google DeepMind精选AI 评分7474 Google DeepMind 发布 Gemini Robotics ER 2 具身推理模型
Google DeepMind 发布 Gemini Robotics ER 2，作为面向机器人的具身推理模型，可理解物理世界、规划多步任务并调用 Google Search 等工具，现已通过 Gemini API 和 Google AI Studio 向开发者开放，Gemini Enterprise Agent Platform 上处于私密预览。
推荐理由：官方给出视频理解、任务编排与多机协作的能力变化和开放入口，可据此判断机器人在真实环境中的任务完成方式。
Google DeepMindAI 评分4242 Google 在 Flow Music 推出 Lyria 3.5 音乐生成模型
Google DeepMind 发布音乐生成模型 Lyria 3.5，已在 Google Flow Music 上线，在音乐性、歌词和演唱质量上均有提升。新版本可生成更复杂自然的旋律结构、提示词遵循度和结构感知更强的歌词，以及情感更细腻、发音更准确的演唱，并支持更便捷地控制输出节奏与时长。
Google DeepMind精选AI 评分7878 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，首次实现对完整人形机器人的全身控制，并提升手部与夹爪的精细操作能力。
推荐理由：Gemini Robotics 2 把机器人控制从上半身扩展到全身，并给出端侧适配与多机协作的具体路径。
Google DeepMind精选AI 评分7171 Google DeepMind 发布 Gemini 3.6 Flash、3.5 Flash-Lite 与 3.5 Flash Cyber
Google DeepMind 发布 Gemini 3.6 Flash、3.5 Flash-Lite 和面向安全的 3.5 Flash Cyber 三款新模型。
推荐理由：官方给出三款 Flash 新模型的 token 效率、价格与基准对比，可据此判断智能体任务的成本变化。
Google DeepMindAI 评分2222 Google DeepMind 推出 Gemini 驱动的 ATL Saathi，助力印度 Atal Tinkering Labs
Google DeepMind 面向印度 Atal Tinkering Labs 启动 ATL Saathi 试点，这是一款由 Gemini 驱动的 Web 应用，为每位 Tinkering Lab 教育者提供 24/7 备课与培训助手。
Google DeepMind精选AI 评分7171 Google DeepMind 发布 Nano Banana 2 Lite 与 Gemini Omni Flash
Google DeepMind 发布 Nano Banana 2 Lite（gemini-3.1-flash-lite-image）和 Gemini Omni Flash（gemini-omni-flash-preview）两款模型。
推荐理由：官方给出两款新模型的延迟、价格与可用入口，读者可据此判断图像与视频生成链路的成本取舍。
Google DeepMind精选AI 评分7878 Google DeepMind 发布 Gemini 3.5 Live Translate 实时语音翻译模型
Google DeepMind 发布 Gemini 3.5 Live Translate，一款支持 70+ 语言的近实时语音到语音翻译音频模型，能自动检测语言并保留说话人的语调、节奏和音高。
推荐理由：官方给出 70+ 语言实时语音翻译的连续生成机制与多产品落地节奏，可据此判断实时翻译的可用边界。
Google DeepMind精选AI 评分7878 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，一款面向笔记本的智能体多模态模型，介于 E4B 与 26B MoE 之间，可在 16GB 显存或统一内存上本地运行。
推荐理由：Gemma 4 12B 用无编码器架构把多模态能力压到 16GB 显存，读者可据此判断本地智能体部署的可行性。
Google DeepMind精选AI 评分5858 Google DeepMind 为 Project Genie 加入 Street View 真实场景生成能力
Google DeepMind 在实验性原型 Project Genie 中上线 Street View 真实影像接地能力，用户可选取美国地点并搭配风格与角色描述，生成以真实地点为起点的可交互世界。
推荐理由：原文给出 Genie 接入 Street View 真实影像后的世界生成方式与开放范围，读者可据此判断世界模型落地路径。
Google DeepMind精选AI 评分8080 Google DeepMind 发布 Gemini Omni 系列首个模型 Gemini Omni Flash
Google DeepMind 发布 Gemini Omni 系列首个模型 Gemini Omni Flash，可组合图像、音频、视频和文本作为输入生成高质量视频，并支持通过自然语言对话多轮编辑视频。
推荐理由：Gemini Omni 把多模态输入与对话式视频编辑结合，读者可了解其能力边界与首发渠道。
Google DeepMind精选AI 评分6666 Google 将 SynthID 与 C2PA 内容验证扩展到搜索、Gemini 和 Chrome
Google 宣布扩展内容透明度与验证工具，把 SynthID 的图像、视频和音频验证从 Gemini 应用扩展到搜索，并将在未来几周进入 Chrome；该验证功能在 Gemini 中已被使用 5000 万次。
推荐理由：Google 把 SynthID 与 C2PA 验证铺到搜索、Gemini 和 Chrome，读者可据此了解内容溯源工具的落地范围。
Google DeepMind精选AI 评分8585 Google DeepMind 发布 Gemini 3.5 Flash，主打智能体与编码
Google DeepMind 发布 Gemini 3.5 模型家族，首发 3.5 Flash，定位为面向智能体与编码的前沿模型，即日起通过 Gemini app、Google Search 的 AI Mode、Google Antigravity、Gemini API、Android Studio 以及 Gemini Enterprise 等渠道开放。
推荐理由：官方给出 3.5 Flash 在编码与智能体基准上的成绩和开放入口，可据此判断速度与成本取舍。
Google DeepMind精选AI 评分6262 Google DeepMind 发布 AI co-clinician 医疗智能体研究
Google DeepMind 宣布 AI co-clinician 研究计划，探索 AI 智能体在医生临床监督下协助患者诊疗。在 98 个真实初级保健查询的盲评中，该系统 97 例无关键错误，医生更偏好其回答而非现有证据合成工具；在 20 个模拟远程问诊场景、140 项问诊技能评估中，专家医生整体表现更好，但 AI 在 68 项上达到或超过初级保健医生水平。
推荐理由：Google DeepMind 公开 AI co-clinician 研究，含 98 例零关键错误与 140 项问诊能力对比，可看医疗智能体的能力边界。
OpenAI News精选AI 评分6060 OpenAI 发布 ChatGPT Images 2.0
OpenAI 发布 ChatGPT Images 2.0，改进了文字渲染、多语言支持和视觉推理能力。官方同时提到可查看 Images 2.5 的新变化。
推荐理由：官方给出图像生成在文字渲染、多语言与视觉推理上的改进方向，可据此判断多模态能力的演进重点。
Google DeepMind精选AI 评分7171 Google DeepMind 发布 Gemini Robotics-ER 1.6，新增仪表读数能力
Google DeepMind 发布 Gemini Robotics-ER 1.6，这是其面向机器人的推理优先模型升级版，增强了空间推理与多视角理解，并新增仪表读数能力，可读取压力表、液位计和数字读数。
推荐理由：官方给出与上一代及 Gemini 3.0 Flash 的对比，并新增仪表读数能力，可据此判断机器人在设施巡检中的自主程度。
Google DeepMind精选AI 评分7979 Google DeepMind 发布 Gemma 4 开源模型家族
Google DeepMind 发布 Gemma 4 开源模型家族，包含 E2B、E4B、26B MoE 和 31B Dense 四个尺寸，采用 Apache 2.0 许可。
推荐理由：Gemma 4 以四个尺寸覆盖从手机到工作站的部署，并给出 Apache 2.0 许可与首日工具链支持，便于开发者判断本地推理与微调的可行路径。
Google DeepMind精选AI 评分7272 Google DeepMind 发布 Gemini 3.1 Flash Live 语音模型
Google DeepMind 发布 Gemini 3.1 Flash Live，称其为目前质量最高的音频与语音模型，精度更高、延迟更低。该模型在 ComplexFuncBench Audio 上取得 90.8%，在 Scale AI 的 Audio MultiChallenge 上开启 thinking 后取得 36.1%。
推荐理由：官方给出语音模型的基准成绩与多端开放入口，可据此判断实时语音智能体的能力边界。
Google DeepMind精选AI 评分5858 Google DeepMind 发布 Lyria 3 Pro，支持最长 3 分钟曲目与段落级控制
Google DeepMind 发布音乐生成模型 Lyria 3 Pro，可生成最长 3 分钟的曲目，并支持对前奏、主歌、副歌和桥段等结构元素进行提示控制。
推荐理由：Lyria 3 Pro 把单曲时长拉到 3 分钟并支持段落级提示，读者可据此判断音乐生成在创作流程中的可用边界。
OpenAI News精选AI 评分6262 OpenAI 发布 GPT-5.4 mini 和 nano
OpenAI 发布 GPT-5.4 mini 和 nano，是 GPT-5.4 更小、更快的版本，针对编码、工具调用、多模态推理以及高并发 API 和子智能体负载做了优化。
推荐理由：OpenAI 推出 GPT-5.4 的小型版本，读者可据此了解其在编码、工具调用与高并发场景的定位。
OpenAI NewsAI 评分2020 Descript 如何用 OpenAI 推理模型实现大规模多语言视频配音
Descript 借助 OpenAI 推理模型实现大规模内容库的自动本地化，在不丢失时间轴与语义的前提下完成多语言视频配音。该方案面向大体量内容库的自动本地化需求，解决了配音中时序与含义难以兼顾的问题。
Google DeepMind精选AI 评分7171 Google DeepMind 发布 Gemini 3.1 Flash-Lite
Google DeepMind 推出 Gemini 3.1 Flash-Lite，这是 Gemini 3 系列中速度最快、成本最低的模型，即日起通过 Gemini API 在 Google AI Studio 面向开发者预览，并通过 Vertex AI 面向企业开放。
推荐理由：官方给出价格、速度与基准数据，读者可据此判断高并发场景下的成本与延迟取舍。
Google DeepMind精选AI 评分7878 Google DeepMind 发布 Nano Banana 2（Gemini 3.1 Flash Image）图像模型
Google DeepMind 发布最新图像生成模型 Nano Banana 2（Gemini 3.1 Flash Image），把 Nano Banana Pro 的高级世界知识、质量与推理能力带到 Flash 级速度。
推荐理由：官方给出 Nano Banana 2 与 Pro 的能力分工和上线范围，读者可据此判断该选哪个模型。
Google DeepMind精选AI 评分6262 Gemini 应用上线 Lyria 3 音乐生成，支持文本与图片生成 30 秒曲目
Google DeepMind 的 Lyria 3 音乐生成模型以 beta 形式在 Gemini 应用上线，用户用文本或上传图片、视频即可生成 30 秒带歌词或纯音乐的曲目，并配有 Nano Banana 生成的封面图。
推荐理由：官方披露 Lyria 3 在 Gemini 应用中的生成方式、语言覆盖与 SynthID 音频验证能力，可据此判断音乐生成的使用边界。
Google DeepMind精选AI 评分7171 Google DeepMind 向美国 AI Ultra 订阅用户开放 Project Genie 世界模型原型
Google DeepMind 开始向美国 18 岁以上的 Google AI Ultra 订阅用户开放 Project Genie，这是一个由 Genie 3、Nano Banana Pro 和 Gemini 驱动的实验性研究原型，支持创建、探索和混编可交互世界。
推荐理由：官方披露了 Project Genie 的三项核心能力与已知限制，可据此判断世界模型原型目前能做什么、还差什么。
Google DeepMind精选AI 评分7171 DeepMind 发布 D4RT：统一 4D 场景重建与追踪模型
Google DeepMind 发布 D4RT（Dynamic 4D Reconstruction and Tracking），一个统一 4D 场景重建与追踪的 AI 模型，采用编码器-解码器 Transformer 架构和查询机制，可并行回答像素在任意时间、任意相机视角下的 3D 位置。
推荐理由：D4RT 把动态场景重建统一进单一框架，并给出相对既有方法的效率倍数，可据此判断 4D 重建的工程可行性。
OpenAI News精选AI 评分6060 OpenAI 解密 Codex 在工程领域的应用
OpenAI 详细介绍了 Codex 在理解代码、重构系统、提升性能、加速工程速度和增强工程工作流程方面的应用。
推荐理由：OpenAI 详细介绍了 Codex 在工程领域的应用，读者可以了解 Codex 如何加速工程工作流程。
Google DeepMind精选AI 评分6262 Google DeepMind 更新 Veo 3.1 Ingredients to Video，新增竖屏输出与 1080p/4K 放大
Google DeepMind 更新 Veo 3.1 Ingredients to Video，让基于参考图生成的视频在简单提示词下也有更丰富的对白与叙事，并提升角色、背景和物体的一致性。
推荐理由：官方说明了 Ingredients to Video 在角色一致性与竖屏输出上的具体变化，可据此判断短视频生产流程的调整方向。
Google DeepMindAI 评分2222 Google 2025 年度回顾：8 大研究突破领域
Google 回顾 2025 年在 8 个领域的研究突破，模型方面 3 月发布 Gemini 2.5、11 月发布 Gemini 3、12 月发布 Gemini 3 Flash，其中 Gemini 3 Pro 登顶 LMArena 排行榜，并在 MathArena Apex 上取得 23.4% 的 SOTA。