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 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。
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 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。
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 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。