跳到正文

公司与模型

Google / Gemini 最新动态

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。

122 条精选近 30 天 13 条共收录 240 条

更新

精选归档 · 第 4 页

4月22日周三第 61–80 条
4月16日周四
  1. Google DeepMind71

    Google DeepMind 发布 Gemini 3.1 Flash TTS 语音模型

    Google DeepMind 发布 Gemini 3.1 Flash TTS，称其在可控性、表达力和语音质量上均有提升，并引入可用自然语言指令控制语气、语速和表达方式的音频标签。

    推荐理由：官方给出新语音模型的音频标签控制方式、Elo 分数与多语言覆盖，可据此判断表达力控制的实际粒度。

4月13日周一
  1. Google DeepMind66

    Google DeepMind 发布 Gemini Robotics-ER 1.6，新增仪表读数能力

    Google DeepMind 发布 Gemini Robotics-ER 1.6，这是其面向机器人的推理优先模型升级版，重点增强空间推理与多视角理解，并新增仪表读数能力，可读取压力表、液位计和数字读数。

    推荐理由：官方给出与上一代及 Gemini 3.0 Flash 的对比，并首次加入仪表读数能力，可据此判断机器人在设施巡检场景的可用性。

4月3日周五
4月2日周四
3月31日周二
3月29日周日
  1. Google DeepMind62

    Google DeepMind 为 AI 时代重新设计鼠标指针

    Google DeepMind 公布 AI 指针的实验性方案，由 Gemini 驱动，让指针理解用户指向的内容及其对用户的意义，并给出四条交互原则：保持工作流不中断、展示与说明、用「这个」和「那个」的简略表达、把像素变成可操作实体。

    推荐理由：Google DeepMind 公开 AI 指针的四条交互原则，并说明其已进入 Chrome 与 Googlebook，读者可据此判断 AI 交互从提示词转向指向与语音的路径。

3月26日周四
  1. Google DeepMind78

    Google DeepMind 发布 Gemini 3.1 Flash Live 语音模型

    Google DeepMind 发布 Gemini 3.1 Flash Live，称其为目前质量最高的音频与语音模型，具备更高精度和更低延迟。该模型在 ComplexFuncBench Audio 上取得 90.8%，在 Scale AI 的 Audio MultiChallenge 上开启 thinking 后取得 36.1%，并支持多语言。

    推荐理由：官方给出语音模型在函数调用与长程推理基准上的分数，并说明开发者、企业与普通用户三类入口的可用范围。

  2. Google DeepMind60

    Google DeepMind 发布首个经实证验证的 AI 有害操纵评测工具

    Google DeepMind 发布关于 AI 有害操纵的研究，称其为首个经实证验证的评测工具，并公开运行同类人类被试研究所需的全部材料。研究覆盖英国、美国、印度共 9 项实验、逾 10000 名参与者，聚焦金融与健康等高风险场景，发现 AI 在健康话题上的有害操纵效果最弱，且在一个领域的成功不能预测另一个领域。

    推荐理由：原文公开了可复用的有害操纵评测工具与万人级实验数据，读者可据此了解AI操纵能力的测量方式与边界。

  3. Google DeepMind65

    Google DeepMind 发布 Lyria 3 Pro，支持最长 3 分钟曲目与段落级控制

    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。

3月25日周三
  1. Google Research60

    Google 发布 Vibe Coding XR，用 Gemini 与 XR Blocks 生成 Android XR 应用

    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。

  2. Google Research62

    Google 发布 TurboQuant 等向量量化算法，将 KV cache 压缩至 3 bit

    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。

3月18日周三
3月12日周四
  2. Google Research62

    Google 推出 Groundsource：用 Gemini 将新闻报道转为灾害数据

    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。

  3. Google Research62

    Google 与 BIDMC 开展 AMIE 对话式诊断 AI 真实临床可行性研究

    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。

3月7日周六
  1. Google Research62

    Google Research 发布 WAXAL：覆盖 27 种非洲语言的大规模开放语音数据集

    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。

3月4日周三
  1. Google DeepMind71

    Google DeepMind 发布 Gemini 3.1 Flash-Lite

    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。