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。
Google 与 DeepMind 的 AI 动态:Gemini 系列、Veo 视频模型、研究成果与产品生态的持续追踪。
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。
Google DeepMind 宣布推出全球首个针对专有前沿 AI 模型的双盲评测,将外部评测限制在密码学环境中,避免模型提前接触测试题。该试点与新加坡 AI Safety Institute、OpenMined、AVERI 和 MLCommons 合作,在隐私保护环境下用保密基准测试一个 Gemini Flash Lite 模型,以提升评测可信度。
推荐理由:Google DeepMind 联合多方用密码学环境做双盲评测,读者可了解基准污染问题的一种技术解法。
Google DeepMind 发布 Gemini 3.5 Transcribe,称其为目前最精确的语音转文字模型,可将原始音频直接转为准确、经过格式化的文本。
推荐理由:官方给出 WER、延迟与多语言等量化指标,并说明实时与录音两条 API 路径的接入方式。
Google Research 发布了 AgentHands,这是一个在 XR 环境中生成交互式手势的研究原型,旨在通过空间感知和同步手势,提升用户与 AI 对话的自然性和互动性。
推荐理由:AgentHands 是一个将手势与 AI 交互结合的研究原型,通过在 XR 环境中实现空间感知和同步手势,提升用户与 AI 对话的自然性和互动性。
Google DeepMind 发文回顾从 Atari、AlphaGo 到 AlphaStar 的 15 年游戏 AI 研究历程,并宣布与 Fenris Creations 合作,在 EVE Online、EVE Vanguard 和 EVE Frontier 中推进智能体研究。
推荐理由:DeepMind 回顾游戏 AI 十五年研究脉络,并说明与 Fenris Creations 合作要攻克的持续学习与长时程规划难题。
Google DeepMind 发布 Gemini 3.7 Flash,定位为面向编码和智能体的最强主力模型,距 Gemini 3.6 Flash 发布仅三周。
推荐理由:官方给出与 3.6 Flash 的多项基准对比和半价定价,可据此判断编码与智能体场景的成本收益。
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。
谷歌研究团队提出知识分析框架,发现前沿大语言模型在事实性方面的瓶颈在于回忆能力,而非编码能力。
推荐理由:原文提出了知识分析框架,揭示了前沿大语言模型在事实性方面的瓶颈,读者可以了解这一框架及其对事实性的影响。
Google Research 推出的 AMIE (Video) 在真实视频咨询中展现出专家级水平,通过多模态推理和视频交互,为医疗AI向临床实践的应用迈出了重要一步。
推荐理由:AMIE (Video) 在真实视频咨询中展现出专家级水平,为医疗AI向临床实践的应用迈出了重要一步。
Google DeepMind 在 Nature 发表论文,称 WeatherNext AI 模型在气旋路径、强度和风场结构预报上达到 SOTA,平均多出一天预报时效,三天预报精度相当于此前模型的两天水平。
推荐理由:原文给出气旋路径与强度预报的领先幅度和开源范围,读者可据此判断气象预报模型的进展与可用性。
Google Research 发布了 Science One 框架,这是一个可验证的自主研究原型,通过构建和维护证据链来确保 AI 研究的可信度,并在 MLE-Bench 和 Parameter-Golf 等基准上取得了优异的性能。
推荐理由:Science One Framework 引入了一种新的可验证性框架,通过构建证据链来确保 AI 研究的可信度,同时保持了前沿基准上的性能。
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 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 Research 发布了 SymptomAI,一款用于日常症状评估的对话式 AI 智能体,通过随机大规模研究,探讨了其在真实世界场景下的表现,并展示了其与生理信号的关联。
推荐理由:SymptomAI 是一款用于日常症状评估的对话式 AI 智能体,该研究探讨了其在真实世界场景下的表现,并展示了其与生理信号的关联,为 AI 在医疗领域的应用提供了新的思路。
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 DeepMind 发布 Gemini 3.5 Flash Cyber,一款基于 3.5 Flash 微调的轻量网络安全模型,用于快速发现、验证和修补漏洞,在 CyberGym 等基准上表现优于主线 Flash 模型。
推荐理由:官方给出轻量安全模型在 CyberGym、Chrome 提交扫描等基准上的对比数据,可了解其与主线的差异。
Google Research 发布论文,深入探讨了扩散模型创造力的来源,揭示了神经网络训练过程中的数学原理,并展示了如何通过调整训练过程来提高模型的创造力。
推荐理由:原文深入探讨了扩散模型创造力的来源,揭示了神经网络训练过程中的数学原理,对理解扩散模型的工作机制具有重要意义。
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 Research 发布了 TabFM,一种针对表格数据的零样本基础模型,旨在简化分类和回归工作流程。TabFM 通过将表格预测重新构造成情境学习问题,消除了传统瓶颈,如手动特征工程、超参数优化和重复的模型训练,并始终优于经过大量调优的行业标准监督算法。
推荐理由:TabFM 作为一种针对表格数据的零样本基础模型,通过将表格预测重新构造成情境学习问题,成功地消除了传统瓶颈,如手动特征工程、超参数优化和重复的模型训练,并始终优于经过大量调优的行业标准监督算法。
Google Research 发布了在 Pixel 设备上加速 Gemini Nano 模型的技术,通过冻结多令牌预测(MTP)架构,实现了更高效的文本生成,并降低了能耗。
推荐理由:原文提出了在移动设备上加速 Gemini Nano 模型的技术,读者可以了解其如何提高效率并应用于实际场景。