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 上采样等具体能力与开放入口,可据此判断生成视频工作流的可控性变化。
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 上采样等具体能力与开放入口,可据此判断生成视频工作流的可控性变化。
Google DeepMind 发布 Gemini 3.5 Transcribe,称其为目前最精确的语音转文本模型,可将原始音频直接转为准确、经过润色和格式化的文本。
推荐理由:官方给出 WER、延迟与多语言等量化指标,并说明开发者与消费端入口,便于判断语音转写能力边界。
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 发布多语种手语转文本模型 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:SL2T 把多语种手语翻译从实验室带进 Gboard 与 Live Transcribe,读者可了解其数据规模与端侧隐私设计。
Google Research 发布基于 Gemini 和 Project Astra 的 AMIE (Video),可进行实时视频临床问诊,感知非语言线索并引导虚拟体格检查。
推荐理由:读者可了解 AMIE 如何用异步多智能体架构在实时视频问诊中兼顾对话延迟与临床推理,以及随机对照研究的评测设计。
Google DeepMind 在 Nature 发表论文,称 WeatherNext AI 模型在预测气旋路径、强度和风场结构上达到 SOTA,平均为预报员多争取约一天的预警时间,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入口,读者可据此判断气象预报工作流的变化。
Google DeepMind 发布 Gemini Robotics ER 2,定位为机器人的高层大脑,可对话、理解物理世界并规划多步任务,再把动作执行交给底层 VLA 模型。
推荐理由:官方给出视频理解、任务编排与多机器人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,作为新一代机器人的智能层,首次实现对完整人形机器人的全身控制,并提升灵巧操作与多机器人协作能力。
推荐理由:原文给出三款模型的职责分工与本地部署、快速适配新机体的能力,读者可据此判断机器人智能层的当前边界。
Google Research 公布 SymptomAI 研究,让 13,917 名参与者分别与五个 Gemini Flash 2.0 智能体对话完成症状访谈并生成鉴别诊断(DDx)。
推荐理由:这项研究用 13,917 人的随机试验比较 SymptomAI 与真实临床医生的鉴别诊断,并给出可穿戴设备生物信号的旁证。
Google DeepMind 发布 Gemini 3.6 Flash、3.5 Flash-Lite 和面向网络安全的 3.5 Flash Cyber 三款模型。
推荐理由:官方给出三款 Flash 模型的 token 效率、价格与基准变化,可据此判断智能体工作流的成本走向。
Google DeepMind 发布 Gemini 3.5 Flash Cyber,这是基于 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 等基准上以多次调用取得接近更大模型的成绩。
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,可了解其成本与能力取舍。
Google Research 发布 SensorFM,一个直接从无标签可穿戴数据学习的大型传感器基础模型,预训练语料来自五百万名同意参与者、超过一万亿分钟的多模态信号。
推荐理由:Google 用五百万人的万亿分钟可穿戴数据训练通用生理表征,读者可了解自监督建模如何处理真实缺失数据。
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:两款新模型给出延迟、单价与开放入口,读者可据此判断图像与视频生成链路的成本与可用性。
Google 发布面向表格数据分类与回归的基础模型 TabFM,把表格预测建模为上下文学习问题,单次前向传播即可对未见过的表格给出预测,无需训练、调参或特征工程。
推荐理由:原文交代了 TabFM 用合成数据预训练和行列交替注意力的做法,读者可据此理解零样本表格预测如何省去调参与特征工程。
Google DeepMind 将 computer use 作为内置工具集成进 Gemini 3.5 Flash,此前它仅以独立的 Gemini 2.5 computer use 模型形式提供。
推荐理由:原文说明 computer use 从独立模型并入 Gemini 3.5 Flash 主模型,并给出企业级安全防护选项,可据此判断智能体跨平台自动化的落地路径。
Google DeepMind 发布实验性开源模型 DiffusionGemma,采用文本扩散方式一次性并行生成 256 个 token,在专用 GPU 上文本生成最高提速 4 倍。
推荐理由:官方给出 4x 加速的实测数字与 18GB 显存门槛,读者可据此判断本地交互式推理的可行性。
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者的语调、节奏和音高。
推荐理由:Google 发布实时语音翻译模型,给出 70+ 语言、连续生成和产品落地路径,可据此判断实时翻译的可用性。
Google DeepMind 发布 Gemma 4 12B,一款面向笔记本本地运行的多模态模型,介于边缘端 E4B 与 26B MoE 之间,采用无编码器统一架构,视觉和音频输入直接进入 LLM 主干。
推荐理由:Gemma 4 12B 用无编码器架构把视觉和音频直接接入 LLM,读者可据此判断本地多模态智能体的硬件门槛。
Google DeepMind 公布在塞拉利昂开展的预注册试验结果,使用 Guided Learning 的学生数学成绩比对照组提升 0.258 个标准差,约相当于 1.2 至 1.7 年的常规学习进度,八周内完成。
推荐理由:原文给出塞拉利昂预注册试验的量化结果与交互数据,可了解 AI 辅助教学在真实课堂中的效果与边界。
Google 在 Gemini Enterprise Agent Platform 中以公开预览形式推出基于 Agentic RAG 的 Cross-Corpus Retrieval。
推荐理由:原文拆解了多智能体 RAG 的规划、检索与上下文校验流程,并给出跨语料检索的准确率与延迟数据。