公司与模型
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
Google DeepMind 发布 Nano Banana Pro（Gemini 3 Pro Image），这是基于 Gemini 3 Pro 的新一代图像生成与编辑模型，可生成更准确、文本更清晰的多语言图像，并支持最多 14 张图像合成、保持最多 5 人一致性，提供 2K 和 4K 分辨率及局部编辑、光照调整等控制。
推荐理由：Google DeepMind 发布基于 Gemini 3 Pro 的图像生成编辑模型，读者可了解其文本渲染、多图合成与产品接入范围。
Google Research 介绍了一种端到端语音到语音翻译（S2ST）模型，直接生成译文音频并保留原说话人音色，延迟仅 2 秒，而现有级联系统通常有 4-5 秒延迟且会累积误差。
推荐理由：Google 端到端语音翻译把延迟从 4-5 秒压到 2 秒并保留原说话人音色，可对照级联方案理解取舍。
Google DeepMind 发布 Gemini 3，其中 Gemini 3 Pro 在各项主要 AI 基准上超过此前版本，编码能力也强于 2.5 Pro。
推荐理由：官方给出 Gemini 3 Pro 的基准成绩、API 定价与配套开发平台，便于开发者判断迁移成本。
Google DeepMind 发布 Gemini 3，首发 Gemini 3 Pro 预览版，并同步接入 Gemini 应用、搜索 AI Mode、AI Studio、Vertex AI、Gemini CLI 及新智能体开发平台 Google Antigravity。
推荐理由：Gemini 3 Pro 在多项基准上刷新成绩并同步接入搜索、Gemini 应用与开发者平台，可据此判断多模态与智能体能力的当前水位。
Google 发布智能体开发平台 Antigravity，即日起免费公开预览，提供 Gemini 3 Pro 的宽松速率限制。该平台在传统 AI IDE 之外新增以智能体为中心的 Manager 界面，可并行编排多个工作区中的智能体，并支持浏览器控制与异步交互。
推荐理由：Google 把 IDE 改造成以智能体为中心的开发平台，读者可据此判断异步编排与 Artifacts 验证会怎样改变编码工作流。
Google 发布生成式 UI 实现，由模型直接生成网页、游戏、工具等完整交互界面，而非只生成内容。该能力以 dynamic view 和 visual layout 两个实验在 Gemini 应用中推出，并集成到 Google Search 的 AI Mode，基于 Gemini 3 Pro 配合工具调用、系统指令与后处理实现。
推荐理由：Google 把生成式 UI 从论文推进到 Gemini 与搜索的实测入口，读者可据此判断界面生成这一方向的产品化程度。
Google DeepMind 与 Google Research 发布天气预报模型 WeatherNext 2，称其生成预报速度比前代快 8 倍，分辨率最高可达 1 小时，并能在单个 TPU 上不到一分钟生成数百种可能天气情景。
推荐理由：官方给出 8 倍生成速度、1 小时分辨率与 99.9% 变量超越前代等指标，可据此判断 AI 天气预报的可用性边界。
Google DeepMind 发布 SIMA 2，将 Gemini 模型作为智能体核心，使 SIMA 从指令执行者升级为能思考目标、与用户对话并自我改进的交互式游戏伙伴。SIMA 2 在未训练过的新游戏（如 ASKA、MineDojo）中泛化能力显著提升，并能通过 Gemini 反馈和试错进行自我改进，无需额外人类演示数据。该研究以有限研究预览形式向少量学者和游戏开发者开放早期访问。
推荐理由：SIMA 2 把 Gemini 的推理能力接入 3D 游戏智能体，并展示了跨游戏泛化与自我改进的训练路径。
Google Quantum AI 与 Stanford、MIT、Caltech 合作在 Nature 发表论文，提出量子算法 Decoded Quantum Interferometry（DQI），利用量子干涉把优化问题转化为解码问题求解。
推荐理由：Google Quantum AI 提出把优化问题转成解码问题的量子算法，并给出相对经典算法的运算量对比。
Google 公布名为 Project Suncatcher 的研究计划，设想由太阳能卫星组成星座、搭载 Google TPU 并通过自由空间光链路互联，相关预印本论文探讨了卫星间高带宽通信、轨道动力学和辐射对计算的影响。
推荐理由：Google 公开了太空 AI 数据中心的系统设计与关键挑战，读者可了解其轨道方案、星间链路和 TPU 抗辐射测试的早期结论。
Google 公布基于 Gemini 模型的个人健康教练构建方式，采用多智能体框架协调对话、数据科学与领域专家子智能体，对睡眠和活动等生理时间序列数据做数值推理。
推荐理由：Google 公开了健康教练的技术路径，包括多智能体分工与 SHARP 评估框架，可了解 Gemini 在健康场景的落地方式。
Google 发布 EmbeddingGemma，一款面向端侧场景的多语言嵌入模型，308M 参数、2K 上下文窗口，支持 100 多种语言，量化后内存占用低于 200MB。
推荐理由：原文给出 308M 参数、2K 上下文与量化后 200MB 内存等指标，可据此判断端侧多语言检索的可用边界。
Google 发布 Gemma 3 系列开放权重模型，包含 1B、4B、12B、27B 四种尺寸，均有预训练和指令微调版本。4B、12B、27B 支持图像与文本输入及 140 多种语言，上下文窗口从 Gemma 2 的 8k 提升至 128k（1B 为 32k）。
推荐理由：梳理 Gemma 3 的四种尺寸、多模态与 128k 上下文等规格，并给出 transformers 与端侧推理的可用路径。
Google 发布新一代视觉语言模型 PaliGemma 2，用 Gemma 2 替换前代的文本解码器，保留 SigLIP 图像编码器，提供 3B、10B、28B 三种参数规模，均支持 224x224、448x448、896x896 三种输入分辨率，而前代 PaliGemma 仅有 3B 版本。
推荐理由：Google 开源视觉语言模型 PaliGemma 2 提供 3B 到 28B 多规格与三种分辨率，读者可据此判断微调选型空间。
Google DeepMind 与 Hugging Face 在 Transformers v4.46.0 中发布 SynthID Text，可通过 logits processor 为 AI 生成文本加水印，并用分类器检测。
推荐理由：原文给出了水印的配置参数、检测器训练流程与已知局限，读者可据此判断该方案在自家生成链路中的落地条件。
Google 在 Gemma 2 发布一个月后扩充模型阵容，新增 2.6B 参数的 Gemma 2 2B（含 base 与指令微调版），适合端侧使用，并可与 Gemma 2 27B 搭配做辅助生成，官方称可获得最高 3 倍加速且不损失质量。
推荐理由：Gemma 2 新增 2B 小模型与安全分类器、可解释性工具，读者可据此判断端侧部署与内容审核的可用选项。
Mistral AI 发布 Mistral Large 2，参数规模 123B，支持 128k 上下文窗口和数十种语言，可在单节点上实现大吞吐推理。官方称其在 MMLU 上达到 84.0% 准确率，代码与推理表现与 GPT-4o、Claude 3 Opus、Llama 3 405B 相当，并针对减少幻觉和指令遵循做了优化。
推荐理由：Mistral Large 2 以 123B 参数实现单节点高吞吐，并给出与 GPT-4o、Claude 3 Opus 的对比数据，便于判断开源模型的性能成本位置。
Google 发布开源大模型 Gemma 2，提供 9B 和 27B 两个参数规模，各有预训练基础版与指令微调版，上下文长度 8K tokens，采用与初代相同的宽松许可，允许再分发、微调和商用。
推荐理由：原文给出 Gemma 2 的两种参数规模、训练数据量与评测对比，可据此判断开源小模型的能力位置。
Google 发布视觉语言模型家族 PaliGemma，由 SigLIP-So400m 图像编码器和 Gemma-2B 文本解码器组成，可输入图像与文本并输出文本。
推荐理由：Google 开源视觉语言模型 PaliGemma 的完整发布说明，含架构、三种 checkpoint 与微调路径，便于判断适用场景。
Google 发布 CodeGemma 代码专用模型系列，基于预训练的 2B 和 7B Gemma checkpoint 继续训练 5000 亿 token，包含 2B 基座、7B 基座和 7B instruct 三个开源版本，上下文均为 8K token。
推荐理由：CodeGemma 三个规格的定位、基准对比和 FIM 提示格式都写清了，可据此判断它适合哪类代码补全场景。