Google DeepMind 宣布与 Fenris Creations 及 EVE Universe 等游戏开发商建立新研究合作，继续以游戏推动 AI 突破。其 SIMA 2 智能体由 Gemini 驱动，能通过屏幕、自然语言指令和键鼠操作实现类人游戏水平，无需 API 或源码访问。此前 DQN、AlphaGo、AlphaZero、AlphaStar 等成果已多次推动强化学习与通用系统发展。
Google Research 提出 Mobility-Embedded POIs（ME-POIs）框架，将聚合的匿名移动模式（如到达时间、停留时长）与文本描述结合，为地点构建动态嵌入。该框架在公开基准上使访问意图预测相对提升 81.9%，价格等级分类提升 75.1%，繁忙度估计提升 24.7%。ME-POIs 通过空间多尺度传播解决数据稀疏问题，并将移动性从预测任务转为定义地点本身的输入特征。
Google Research 推出 PhotoScan，一个基于深度学习的研究框架，可从标准 2D 智能手机照片估算三维身体成分指标，包括体脂率（BF%）、A/G 比值和 V/S 比值。
推荐理由：原文给出了PhotoScan在体脂率、A/G和V/S比值上的误差数据，以及相比智能手表BIA和DXA的预测能力对比，读者可据此判断智能手机影像估算代谢风险的可行性。
Google DeepMind 发布 Gemini 3.7 Flash，距 3.6 Flash 仅三周，是面向编码和智能体场景的最强工作模型。
推荐理由：官方给出了编码、网页开发与知识工作场景的基准提升和半价定价，读者可据此评估升级价值。
Google DeepMind 发布大规模多语种手语转文本模型 SL2T，首次将手语 AI 带入消费产品，支持在 Pixel 11 的 Gboard 和 Live Transcribe 中实现美国手语（ASL）到英语的听写。模型基于超过 10 万小时、50 多种手语数据训练，在 FLEURS-ASL 基准上取得 70 BLEURT 的零样本成绩，并采用姿态关键点而非原始视频以保护隐私。
推荐理由：原文给出了 SL2T 的训练规模、基准成绩和落地入口，读者可据此判断手语 AI 从实验室走向消费产品的实际进展。
Google Research 提出知识画像框架，将事实状态分为编码失败、召回失败等五类，并发布 WikiProfile 基准，含 2,150 条维基百科事实。
推荐理由：论文用知识画像框架区分编码与召回失败，指出前沿模型的事实错误主要来自知识难以访问而非缺失，并验证了思考机制能恢复部分已编码事实。
Google Research 推出 AMIE (Video)，基于 Gemini 和 Project Astra 构建，支持实时视频临床问诊，可感知非语言线索并引导虚拟体格检查。
推荐理由：原文呈现了 AMIE (Video) 在实时视频问诊中达到专家级水平的关键结果，读者可据此评估多模态医疗 AI 的当前能力边界。
Google DeepMind 在 Nature 发表论文并开源 WeatherNext 2 和 WeatherNext Cyclones 模型，其气旋预报精度达到 SOTA，平均比此前模型多出一天以上的提前量，相当于气象学约十年的进步。
推荐理由：原文给出了模型精度提升、开源范围和实际应用案例，读者可以据此判断该模型对气象预报领域的具体价值。
Google Research 提出 Chain-of-Evidence（CoE）可验证性框架，并以其实例化 Science One Framework 自主科研原型，配套 CoE Audit 审计指标。
推荐理由：原文给出可验证性框架与审计方法，读者可据此判断自主科研智能体输出的可信度如何被量化。
Google DeepMind 发布 Gemini Robotics ER 2，这是其最强大的具身推理模型，支持视频理解、任务编排和多机器人协作，可将动作执行交给任意底层 VLA 模型。
推荐理由：原文给出了新模型的三大能力升级和公开开放入口，读者可据此判断它如何改变机器人任务编排与多机协作的开发方式。
Google DeepMind 发布新一代音乐生成模型 Lyria 3.5，今日在 Google Flow Music 中上线。新版本在音乐性、歌词、人声和创作控制四方面提升：支持更自然丰富的旋律结构、更高品质的歌词生成、更具表现力和情感的人声，并允许用户更轻松地控制输出节奏和时长。
Google DeepMind 发布 Gemini Robotics 2，包含三款模型：Gemini Robotics 2 是最先进的视觉-语言-动作模型（VLA）。
推荐理由：原文给出了三款模型的分工和开放入口，读者可据此判断具身智能模型的能力边界与接入方式。
Google Research 发布 SymptomAI 研究，在 n=13,917 的全国随机对照中，让参与者与五种 Gemini Flash 2.0 SymptomAI 智能体交互，并由临床专家盲评其鉴别诊断（DDx）表现。
推荐理由：原文给出了大规模随机对照结果和可穿戴生物信号佐证，读者可据此评估对话式AI症状评估的真实水平。
Google Research 在 Nature 发表论文，提出用强化学习框架让自主智能体从量子错误检测中持续学习，动态调控数千个控制参数，在计算过程中稳定量子系统对抗漂移。在 Willow 处理器上，该方法将逻辑稳定性提升 3.5 倍，并在专家校准后进一步将逻辑错误率降低 20%。
推荐理由：原文展示了强化学习如何让量子计算机在运行中持续校准，读者可借此理解机器学习在量子纠错中的新角色。
Google 在 DOE Genesis Mission Summit 2026 上宣布，为支持美国 Genesis 科研计划，承诺提供 4000 万美元的 AI tokens 和云积分。
推荐理由：原文给出了资金规模、工具清单和实验室实测数据，读者可据此判断这笔投入对科研流程的实际影响。
Google DeepMind 发布三款新 Gemini 模型。Gemini 3.6 Flash 相比 3.5 Flash 减少 17% 输出 token 用量。
推荐理由：官方给出三款新模型的定价、token 效率与关键基准提升，读者可据此评估其在智能体工作流中的成本与性能取舍。
本期 Import AI 周刊指出，英国 AISI 分析显示开源模型在网络安全能力上已接近闭源前沿，GLM-5.2 和 DeepSeek V4-Pro 的表现相当于数月前的闭源模型。
Google DeepMind 发布 Gemini 3.5 Flash Cyber，这是基于 3.5 Flash 微调而成的轻量网络安全模型，用于快速发现、验证和修复软件漏洞。
推荐理由：原文给出了轻量安全模型的定位、基准成绩和内部落地效果，读者可据此判断它在漏洞挖掘场景中的实际价值。
Google DeepMind 与 Isomorphic Labs 公布联合生物韧性方案，通过防止模型滥用并帮助政府、科学家利用 AI 应对传染病爆发。过去 12 个月已推进超 15 项合作，覆盖预防、检测、响应三领域，包括将 SynthID 水印技术适配生物学、用 AlphaEvolve 优化病原体监测，并向可信研究人员开放最新 AI 系统以加速疫苗设计。
Google Research 在 ICLR 2026 发表论文，从数学上解释扩散模型的“创造力”并非偶然，而是源于神经网络训练中正则化导致的“分数平滑”效应。该效应使模型在去噪过程中生成训练数据点之间的插值样本，而非简单记忆。研究还发现，即使不显式使用权重衰减，梯度算法带来的隐式正则化也能产生同样效果。
Google DeepMind 今日启动 ATL Saathi 实时试点，这是一款基于 Gemini 的 Web 应用，为印度 Atal Tinkering Labs 的每位教育者提供 24/7 规划与培训助手，覆盖超 1.1 千万学生。
Google Research 发布 SensorFM，一个基于超过一万亿分钟、来自五百万名同意参与者的多模态可穿戴数据预训练的大型传感器基础模型。SensorFM 通过自监督重建学习，可跨心血管、代谢、睡眠和心理健康等任务迁移，在 35 项健康任务中 34 项优于特征工程监督基线。模型还结合了智能体课堂自动构建预测头，并能支撑个人健康智能体的端到端应用。
推荐理由：原文给出了一万亿分钟级可穿戴数据训练的通用传感器基础模型，读者可据此判断它能否替代单任务健康模型。
Google Research 在 Nature Cities 发表研究，通过在 10 个美国城市开展为期六个月的切换实验，仅协调不到 2% 的行程改走相似耗时路线，就使目标路段车速中位数提升约 2%，燃油消耗率中位数下降 0.5% 至 1.0%，并估算每城每年可减少数千吨 CO2e 排放。该研究为从个体路线优化走向全网络协同路由提供了实验框架。
推荐理由：原文给出了首个大规模真实城市路由干预实验的方法与量化结果，读者可据此评估导航平台协调交通的实际收益。
Google DeepMind 与电影工作室 A24 宣布建立首次研究合作，旨在帮助艺术家开发新工作流程与技术，确保未来工具由创作者塑造。合作将围绕多个项目展开，让 A24 电影人直接参与技术研发，同时 Google 已对 A24 进行投资。
Hugging Face 与 Cerebras 合作推出实时语音 AI 演示，构建了全开源的级联式语音到语音流水线：语音输入经 Nvidia Parakeet 识别，由 Cerebras 上的 Gemma 4 31B 处理，再经阿里 Qwen3TTS 合成语音输出。该流水线已驱动超过 9,000 台 Reachy Mini 机器人，旨在通过低延迟和稳定推理改善对话的自然感。
推荐理由：原文展示了开源语音流水线与 Cerebras 推理速度结合后的实时对话体验，读者可据此评估端到端语音方案的延迟表现。
Google Research 发布覆盖 50+ 城市、9 个国家的建筑级屋顶反照率数据集，并上线 Heat Resilience Earth Engine App 供公众使用。
推荐理由：原文给出了数据覆盖范围、精度验证和开放入口，读者可以据此判断这类建筑级反照率数据对城市热缓解规划的实际可用性。
Google DeepMind 发布 Nano Banana 2 Lite 图像模型和 Gemini Omni Flash 视频模型，均已在 Google AI Studio、Gemini API 和 Gemini Enterprise Agent Platform 开放。
推荐理由：原文给出了两款模型的定位、价格和开放入口，读者可据此判断如何组合它们搭建多媒体工作流。
Google Research 发布 TabFM，一个面向表格数据分类与回归的零样本基础模型，将表格预测重构为上下文学习问题，无需手动训练、调参和特征工程。模型采用交替行列注意力、行压缩和 ICL 混合架构，完全在数亿个合成数据集上训练，在 TabArena 基准上覆盖 38 个分类和 13 个回归数据集。
推荐理由：原文给出了模型架构、训练方式和在 TabArena 上的评测结果，读者可据此判断零样本表格预测的实际能力。
Google Research 宣布一种新架构，将多 token 预测（MTP）头附加到冻结的 Gemini Nano v3 模型上，以加速 Pixel 9 和 10 系列上的端侧推理。相比独立草稿模型，MTP 在 Pixel 9 上带来 50% 或以上的速度提升，并节省约 130MB 内存，同时保持输出与主模型逐位一致。该方案已用于 AI 通知摘要和校对等功能，减少能耗并提升电池续航。
推荐理由：原文给出冻结骨干加 MTP 头的端侧加速方案，读者可据此判断其相对独立草稿模型的效率优势。
Google 在 CIDR 论文中提出线性弹性缓存，将页面驱逐建模为滑雪租赁问题，用轻量级机器学习动态调整缓存大小，以最小化缓存总拥有成本。集成到 Spanner 生产环境后，内存使用减少 15.5%，缓存未命中仅增加 5.5%，TCO 降低约 5%，且 I/O 成本影响仅 0.5%。该方法将驱逐策略与“租赁时长”分离，通过浅层决策树预测 TTL，并已在公开缓存轨迹上验证。
Google Research 在 COLM 2026 发表的论文中，通过受控实验证明允许模型生成推理轨迹能解锁原本无法获取的正确事实答案。研究识别出计算缓冲和事实启动两种互补机制，并发现推理轨迹中若含单个幻觉中间事实会显著降低最终答案正确率。基于此，研究提出在测试时优先保留无幻觉事实的推理轨迹可提升准确率，并建议训练时用过程奖励鼓励事实支持的中间步骤。
推荐理由：原文用受控实验拆解了推理为何能解锁参数化知识，并给出可落地的训练优化方向。
Google DeepMind 宣布计算机使用现已成为 Gemini 3.5 Flash 的内置工具，开发者可通过 Gemini API 和 Gemini Enterprise Agent Platform 构建能跨浏览器、移动端和桌面端看、推理并行动的智能体。
推荐理由：原文说明了计算机使用能力从独立模型并入主模型后的性能提升与安全机制，读者可据此评估企业自动化场景的适用性。
Google DeepMind 与英国政府合作开发基于 Gemini 的 AI 规划审批原型，目标是将房主规划申请的处理时间缩短 50%。该工具可整合数据、识别当地政策、总结反馈并起草评估报告，规划官员仍保留最终决策权。早期试点在 Barnet、Camden 和 Dorset 进行，政府计划 2027 年起向全国所有议会开放。
推荐理由：原文给出了原型工具的功能范围和落地时间表，读者可以据此判断 AI 辅助政务审批的实际路径。
Google Research 发布向量化数据集，将英格兰的树篱、石墙和小林地等细粒度生态特征从像素地图转化为可操作的清单，供土地所有者与保护机构测量和扩展这些特征。该数据集基于预训练于 3 亿张卫星图像的 ViT 模型微调，并用 Polsby-Popper 紧致度评分对几何形状分类，通过 Google Earth Engine 并行处理覆盖超 13 万平方公里的区域。
Google DeepMind 发布 AI Control Roadmap，在传统对齐之外增加系统级安全层，将内部智能体视为潜在未对齐对象，通过威胁建模、监督与分级响应提供保障。团队已分析百万条编码智能体轨迹，并据此为 Gemini Spark 智能体构建实时监控，多数标记事件源于智能体误解而非恶意意图。
推荐理由：原文给出了威胁建模、分级响应和百万轨迹实测，读者可据此理解系统级安全如何补足对齐的局限。
Google Research 发布两项关于AI辅助用户理解皮肤问题的研究。一项发表于 JAMA Dermatology 的量化研究显示，使用AI工具时参与者命名皮肤状况的准确率约为对照组的三倍（23% vs 8%），但确定下一步医疗行动的能力提升不显著。另一项与斯坦福医疗AI团队合作的真实世界研究显示，使用应用后参与者命名状况的能力提升260%，临床医生认为预测与自身评估一致的比例为86%。
推荐理由：原文给出两项研究的具体数据，读者可据此判断AI辅助皮肤问题识别对用户理解的实际增益与局限。
加州大学圣迭戈分校在 Google 支持下，计划将退役 Pixel 手机的主板提取并组成集群，部署一个由 2000 部手机组成的数据中心，为数百名研究人员和学生提供低成本、低碳的云计算服务。早期实验显示，20 部手机组成的集群即可支持 75 人以上班级的峰值提交，延迟低于 AWS 默认后端；该系统预计于 2026 年秋季上线。
推荐理由：原文给出了旧手机集群的计算能力对比和部署计划，读者可以据此评估这种低碳算力方案的可行性。
Google Research 在 AISTATS 2026 提出 Regularized f-Divergence Kernel Tests，用于更灵敏、灵活、准确地审计机器学习模型的“遗忘”效果。该框架通过相对距离测试和自适应超参数选择，理论上可控制任意样本量下的假阳性，并随样本增加将假阴性风险收敛至零。实验涵盖合成基准与高能物理数据集 Expo1D 异常检测任务。
Google DeepMind 发布实验性开源模型 DiffusionGemma，采用文本扩散技术并行生成整块文本，在专用 GPU 上推理速度最高提升 4 倍，单张 NVIDIA H100 上每秒可生成 1000+ token。该 26B MoE 模型推理时仅激活 3.8B 参数，量化后适配 18GB 显存，面向内联编辑、代码填充等速度敏感的本地交互场景，但整体输出质量低于标准 Gemma 4。
推荐理由：原文给出了速度提升、硬件门槛和适用场景，读者可据此判断它适合哪些本地交互工作流。
Google DeepMind 联合 Schmidt Sciences、Cooperative AI Foundation、ARIA 等机构，发起最高 1000 万美元的技术研究资助，面向全球研究者征集多智能体 AI 安全提案。