Google DeepMind 发布音乐生成模型 Lyria 3 Pro，可生成最长 3 分钟的曲目，并能按前奏、主歌、副歌、桥段等结构元素进行提示控制。该模型已在 Vertex AI 公开预览，并接入 Google AI Studio、Gemini API、Google Vids、Gemini 应用和 ProducerAI。
推荐理由：Lyria 3 Pro 把单曲生成时长拉到 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。
Google 发布 Vibe Coding XR 工作流，将 Gemini 与基于 WebXR 的 XR Blocks 框架结合，把自然语言提示直接转成可运行的 Android XR 应用，官方称耗时在 60 秒以内。
推荐理由：Google 把 Gemini 与 XR Blocks 组合成自然语言生成 XR 应用的流程，并给出 VCXR60 初步评测数据，可据此判断 XR 原型开发门槛的变化。
Google Research 提出 TurboQuant 压缩算法，并配套 QJL 和 PolarQuant 两种方法，用于解决向量量化中的内存开销问题，相关论文将分别在 ICLR 2026 和 AISTATS 2026 发表。
推荐理由：Google 提出 TurboQuant 等三种向量量化算法，可在不损失精度的前提下把 KV cache 压到 3 bit，并给出与基线的对比数据。
Google Research 发布自监督框架 S2Vec，将道路、建筑等建成环境特征栅格化为多层图像，通过掩码自编码（MAE）学习通用嵌入向量，无需人工标注即可预测人口密度、收入等指标。
Google Research 在 The Check Up 活动上公布医疗 AI 的多项进展，覆盖个性化健康、临床协作、开发者生态与公共卫生等方向。
推荐理由：Google Research 集中披露医疗 AI 从研究走向临床的多条进展，可了解其落地路径与合作方式。
Google Research 与多家 NHS 机构合作的 AIMS 研究在 Nature Cancer 发表两项姊妹研究，评估 AI 乳腺癌检测系统在乳腺筛查中的应用。
推荐理由：两项 Nature Cancer 研究给出 AI 在 NHS 乳腺筛查中的前瞻部署数据，可了解人机双读流程的实际收益与仲裁环节风险。
Google DeepMind 发布论文《Measuring Progress Toward AGI: A Cognitive Taxonomy》，提出包含感知、生成、注意力、学习、记忆、推理、元认知、执行功能、问题解决、社会认知 10 项能力的认知分类框架，并配套三阶段评估协议，用留出测试集防数据污染、采集具人口代表性的人类基线、将 AI 表现映射到人类表现分布。
Google 与康奈尔大学合作，让 GPT-4o、Perplexity、Claude 3.5、Gemini Advanced Pro 1.5、NotebookLM 和一套自建 RAG 系统回答 67 道高温超导专家级问题，由 12 位专家按 6 项指标盲评打分。基于 1,726 篇受控文献的 NotebookLM 在多数维度表现最佳，自建 RAG 系统紧随其后，所有系统均有待改进之处。
Google 宣布在 Flood Hub 上线城市山洪（flash flood）预报，可提前最多 24 小时预测城市区域的山洪风险。
推荐理由：Google 把洪水预报从河流扩展到城市内涝，并给出与 NWS 同口径的精度对比，可据此判断全球预警覆盖的差距。
Google Research 推出 Groundsource，用 Gemini 从新闻报道中提取结构化灾害数据，首个开放数据集包含 260 万条城市山洪记录，覆盖 150 多个国家、时间跨度从 2000 年至今。
推荐理由：Google 用 Gemini 从 80 种语言的新闻中抽取洪水事件，其准确率与覆盖范围可供评估 LLM 构建科学基准数据的可行性。
Google Research 与 Beth Israel Deaconess Medical Center 合作开展了一项前瞻性单中心可行性研究，让 AMIE 在门诊初级保健就诊前与患者进行文本问诊，全程由医生通过视频监督。
推荐理由：Google 与 BIDMC 的这项前瞻性研究给出了 AMIE 在真实门诊流程中的安全与诊断数据，可对照其与 PCP 的差异。
AlphaGo 击败世界冠军十年后，其深度神经网络结合搜索与强化学习的方法已延伸至蛋白质折叠、数学推理和算法发现。AlphaFold 2 破解了 50 年历史的蛋白质折叠难题，折叠了科学界已知的全部 2 亿个蛋白质结构并开源，全球超 300 万研究人员正在使用该数据库。
Google Research 发布 WAXAL 大规模开放语音数据集，覆盖 27 种撒哈拉以南非洲语言、超过 1 亿使用者，采用 CC-BY-4.0 许可。数据集包含约 1,846 小时用于 ASR 的转写自然语音和超过 565 小时用于 TTS 的高保真录音，由非洲高校与社区组织主导采集，Google 提供方法指导。项目自 2021 年启动，Google 表示将持续扩充语言覆盖。
推荐理由：Google Research 联合非洲高校发布 27 种语言的语音数据集，可了解低资源语言语音数据的采集方法与开放许可安排。
Google 开源的 SpeciesNet 模型可识别相机陷阱图像中近 2,500 个动物类别，训练数据达 6,500 万张标注图像，在标准笔记本上每天可处理约 3 万张图像，低端游戏 GPU 上可处理 25 万张以上。该模型一年前作为开源工具发布，已被哥伦比亚、爱达荷、澳大利亚和坦桑尼亚塞伦盖蒂等地的研究团队用于识别美洲狮、麋鹿、鹤鸵和狮子等物种。
Google Research 提出"贝叶斯教学"，通过监督微调让 LLM 模仿贝叶斯助手在航班推荐任务中的预测，从而学会按贝叶斯方式更新对用户偏好的概率估计。实验显示，该方法不仅提升训练任务表现，还能泛化到其他任务；而未经训练的 LLM 表现明显逊于最优贝叶斯助手，且往往在单轮交互后性能就停滞。
Google DeepMind 发布 Gemini 3.1 Flash-Lite，称其为 Gemini 3 系列中速度最快、成本最低的模型，定价为每百万输入 token 0.25 美元、每百万输出 token 1.50 美元。
推荐理由：官方给出定价、速度与基准数据，可据此判断高并发场景下是否值得替换 2.5 Flash。
Google DeepMind 发布图像生成模型 Nano Banana 2（Gemini 3.1 Flash Image），把 Nano Banana Pro 的世界知识、推理与画质带到 Flash 速度。
推荐理由：官方给出 Nano Banana 2 的能力清单与上线渠道，读者可据此判断 Pro 级图像能力下放到 Flash 速度后的可用范围。
Google DeepMind 发布 Gemini 3.1 Pro，定位为面向复杂任务的核心推理升级，在 ARC-AGI-2 上取得 77.1% 的验证分数，官方称推理表现超过 3 Pro 两倍以上。
推荐理由：官方给出 ARC-AGI-2 上 77.1% 的验证分数，并列出消费端与开发者端的同步开放渠道，可据此判断升级幅度与可用范围。
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 秒带歌词或纯器乐的曲目，并附由 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、时长与 SynthID 音频验证能力，可据此判断音乐生成的使用边界。
Google Research 提出 MapTrace，一套用 Gemini 2.5 Pro 与 Imagen-4 自动生成地图寻路数据的流水线，并开源 200 万条问答对。
Google DeepMind 宣布与印度政府机构及本地机构建立 National Partnerships for AI 合作，向印度研究人员开放 AlphaGenome、AI Co-scientist、Earth AI 等前沿科学模型，并推出 3000 万美元的 Google.org Impact Challenge: AI for Science。
Google DeepMind 发布 Gemini 3 Deep Think 重大升级，面向科学、研究与工程难题，已在 Gemini 应用中向 Google AI Ultra 订阅用户开放，并首次通过 Gemini API 向部分研究者、工程师和企业提供早期访问。
推荐理由：官方给出 Deep Think 在 HLE、ARC-AGI-2、Codeforces 等基准上的具体成绩，并首次开放 API 早期访问，可据此判断其科研与工程场景的可用性。
Google Research 发布开源原型框架 DialogLab，用于创作、模拟和测试动态的人机群组对话，已在 ACM UIST 2025 展示。该框架将对话的社会设定与时间流程解耦，支持拖拽式场景搭建、human control 实时干预和对话动态可视化验证。
Google DeepMind 于 2025 年 8 月发布的生物声学基础模型 Perch 2.0 主要用鸟类等陆生动物音频训练，却在未接触任何水下音频的情况下，作为嵌入模型在海洋任务迁移学习中表现优异。
Google DeepMind 发布两篇论文，介绍由 Gemini Deep Think 驱动的数学研究智能体 Aletheia 及跨学科研究案例。
推荐理由：DeepMind 公开了 Gemini Deep Think 在数学与理论计算机科学研究中的两篇论文，读者可了解其智能体工作流与分级评估方式。
Google 提出 Natively Adaptive Interfaces（NAI）框架，用多模态 AI 工具打造更具适应性的无障碍应用，以 Orchestrator 协调摘要、设置等子智能体替代静态导航。
Google Research 提出 Sequential Attention，用贪心选择机制逐步、自适应地挑选要加入模型的层、模块或特征，并将选择过程直接整合进单次模型训练，避免传统贪心算法带来的数量级训练开销。该方法在多个神经网络基准上取得 SOTA，实现快速单遍贪心选择，同时提升效率与可解释性，可扩展至大规模特征选择。
Google 宣布与 Included Health 合作，待 IRB 批准后启动一项全国性前瞻性随机对照研究，在真实虚拟护理工作流中评估对话 AI 的表现。
推荐理由：Google 与 Included Health 合作开展全国性随机对照研究，读者可了解医疗对话 AI 从模拟走向真实临床的评估路径。
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、探索和混编交互式世界。
推荐理由：Google DeepMind 把 Genie 3 世界模型做成可交互原型，读者可据此了解世界模型从研究走向订阅制产品的路径。
Google Research 发布论文《Towards a Science of Scaling Agent Systems》，对 180 组智能体配置做大规模对照评测，得出首批智能体系统的量化缩放原则，指出“智能体越多越好”常会触顶甚至降低表现。
Google Research 提出 ATLAS（自适应迁移缩放定律），基于 774 次训练运行、10M–8B 参数模型、400+ 语言数据，给出多语言模型的最优模型规模、数据量与语言配比建议。ATLAS 通过跨语言迁移矩阵量化 1400 对语言间的互助与干扰，并给出语言数翻倍时模型规模扩 1.18x、数据扩 1.66x 的规则。该研究将在 ICLR 2026 展示。
Google Research 在 NeurIPS 2025 提出 GIST（Greedy Independent Set Thresholding）算法，用于训练数据子集选择，在多样性与效用之间取得平衡。GIST 在图像分类等任务上超越现有 SOTA 基准，并首次为该多样性-效用权衡提供可证明的近似保证：所选子集价值至少为最优解的一半。
Google Research 在 EMNLP 2025 发表的论文提出一种分解式方法，让小型多模态 LLM 在设备端理解用户意图：先逐屏总结每次交互，再从摘要序列中提取意图。该方法在移动端和网页轨迹上均优于 CoT 提示和端到端微调，Gemini 1.5 Flash 8B 的效果可媲美 Gemini 1.5 Pro，成本与速度却大幅占优。
Google DeepMind 发布 D4RT（Dynamic 4D Reconstruction and Tracking），用统一的编码器-解码器 Transformer 架构完成动态场景的 4D 重建与追踪。
推荐理由：D4RT 把动态场景重建统一进单一框架，并给出 18x 至 300x 的加速数据，可据此判断 4D 重建的实时化路径。
Google 研究团队开发了一种基于时序卷积网络（TCN）的多头深度学习模型，仅凭 Pixel Watch 1 的 IMU 信号和用户身高，即可直接估算步速、步长、摆动时间、支撑时间等多项步态指标。在 246 名参与者、约 7 万段步行数据的验证中，手表估算与手机结果无显著差异（p>0.05），多数指标 Pearson r 与 ICC 均超过 0.80。
Google Research 利用 Android Auto 采集的急刹车事件（HBE，减速度超过 -3m/s²）与弗吉尼亚州、加州十年公开碰撞数据，通过负二项回归验证了 HBE 频率与路段碰撞率之间存在统计显著的正相关。
Google 通过 HAI-DEF 项目发布 MedGemma 1.5 4B，新增对 CT、MRI 和全切片病理等高维医学影像的支持，并保留 2D 图像与文本能力。
推荐理由：官方给出 MedGemma 1.5 与 MedASR 的基准对比和开源入口，可据此判断医疗多模态模型的可用边界。
Google DeepMind 更新 Veo 3.1 Ingredients to Video，让基于参考图生成的视频在短提示词下更富表现力，并提升角色身份、背景与物体的一致性。
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，可据此判断移动端短视频工作流是否值得迁移。
Google Research 在 Science Advances 发表论文，介绍混合模型 NeuralGCM 直接以 2001 至 2018 年 NASA 卫星降水观测训练其机器学习部分，而非依赖再分析数据。
推荐理由：原文给出 NeuralGCM 在降水模拟上的误差下降与极端降水改进，可对照传统参数化方案的局限。
Google 发布 2025 年度研究回顾，梳理了 8 大突破领域。模型方面，Gemini 2.5 于 3 月发布，Gemini 3 于 11 月推出，Gemini 3 Flash 于 12 月上线，其中 Gemini 3 Pro 登顶 LMArena 排行榜，并在 MathArena Apex 上取得 23.4% 的 SOTA 成绩。