Google DeepMind精选AI 评分Google DeepMind 在 Nature 发表论文，称 WeatherNext AI 模型在预测气旋路径、强度和风场结构上达到 SOTA，平均多出一天（24 小时）的预报提前量，三天预报精度相当于此前模型的两天水平。
推荐理由：Google DeepMind 在 Nature 论文中给出气旋路径与强度预报的精度提升，并同步开源模型权重，读者可据此了解 AI 天气预报的当前进展与可用入口。
Google Research精选AI 评分Google Research 提出 Chain-of-Evidence（CoE）可验证性框架，并落地为自主科研原型 Science One Framework 与自动审计指标 CoE Audit。
推荐理由：Google 提出可验证性框架 Chain-of-Evidence，并给出自动审计指标，读者可据此了解自主科研智能体的可信度如何被量化。
Google DeepMind精选AI 评分Google DeepMind 发布 Gemini Robotics ER 2，作为机器人的高层大脑，支持视频理解、任务编排与多机器人协作，并可将动作执行交给底层 VLA 模型。
推荐理由：官方给出 Gemini Robotics ER 2 在进度分类、时刻定位与多机器人协作上的量化结果，可对照上一代判断具身推理模型的进展。
Google DeepMindAI 评分Google DeepMind 在 Google Flow Music 中推出新一代音乐生成模型 Lyria 3.5，在音乐性、歌词和人声质量上均有明显提升。新版本可生成更复杂自然的旋律结构、提示词遵循度和结构感知更强的歌词，以及更具情感表现力和发音更准确的人声，并支持更便捷地控制输出节奏与时长。该模型即日起在 Flow Music 上线。
Google DeepMind精选AI 评分Google DeepMind 发布 Gemini Robotics 2，作为新一代机器人的智能层，解锁全身控制、灵巧操作和多机器人协作。
推荐理由：三款模型分别覆盖全身控制、具身推理与端侧部署，读者可据此判断机器人智能层的分工方式。
Google Research精选AI 评分Google Research 发布研究论文 SymptomAI，用五个 Gemini Flash 2.0 智能体开展 n=13,917 的全国随机研究，让参与者描述症状并生成鉴别诊断（DDx）。
推荐理由：Google Research 用近 1.4 万人随机实验对比 SymptomAI 与真实临床医生的鉴别诊断，并接入 Fitbit 生理信号做交叉验证。
Google ResearchAI 评分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纠错检测事件中学习，在计算过程中持续调整数千个控制参数以对抗漂移。
Google DeepMindAI 评分Google 在 DOE Genesis Mission Summit 2026 上宣布投入 4000 万美元的 AI tokens 和云 credits，支持 Genesis Mission 的研究人员。
Google DeepMind精选AI 评分Google DeepMind 发布 Gemini 3.6 Flash、3.5 Flash-Lite 和面向网络安全的 3.5 Flash Cyber 三款新模型。
推荐理由：官方给出三款 Flash 新模型的定价、基准与开放入口，可据此判断智能体工作流的成本与延迟取舍。
Google DeepMind精选AI 评分Google DeepMind 发布 Gemini 3.5 Flash Cyber，一个基于 3.5 Flash 微调的轻量网络安全模型，用于快速发现、验证和修补漏洞。
推荐理由：官方给出 Gemini 3.5 Flash Cyber 在 CyberGym、Chrome 提交扫描等基准上的对比数据，可了解轻量安全模型的定位与访问限制。
Google DeepMindAI 评分Google DeepMind 与 Isomorphic Labs 公布联合生物韧性方案，一方面防止威胁行为者滥用其模型，另一方面让政府、科学家和生物安全专家用 AI 应对疫情。
Google ResearchAI 评分Google Research 在 ICLR 2026 论文《On the Interpolation Effect of Score Smoothing in Diffusion Models》中解释了扩散模型的创造力来源。
Google DeepMindAI 评分Google DeepMind 面向印度 Atal Tinkering Labs 启动 ATL Saathi 试点，这是一款由 Gemini 驱动的 Web 应用，为每位 Tinkering Lab 教育者提供 24/7 备课与培训助手。
Google ResearchAI 评分Google Research 发布 SensorFM，一个直接从无标注可穿戴数据学习的大型传感器基础模型，预训练语料来自五百万名同意参与者、超过一万亿分钟的多模态传感器信号，覆盖 100 多个国家和 20 多种 Fitbit 与 Pixel Watch 设备。
Google ResearchAI 评分Google Research 在 10 座美国城市开展大规模实验，通过修改 Google Maps 算法将不到 2% 的行程引导至拥堵路段之外的替代路线，使目标路段行驶速度中位数提升约 2%，燃油消耗率中位数下降 0.5% 至 1.0%。
Google DeepMindAI 评分Google DeepMind 与 A24 宣布达成首个聚焦研究的合作伙伴关系，双方将围绕多个项目展开长期研发协作，让 A24 及其电影人参与塑造新技术。Google 同时已对 A24 进行投资。该合作初期聚焦弥合前沿技术与下一代娱乐之间的差距，具体目标与技术产出将随时间演进。
Hugging Face 与 Cerebras 联合演示了一套实时语音到语音流水线，用 Cerebras 加速 Gemma 4 31B 的推理，以降低语音交互延迟。
推荐理由：原文给出可替换的语音到语音流水线各层组件，读者可据此评估如何搭建低延迟实时语音交互。
Google ResearchAI 评分Google Research 将建筑级屋顶反射率数据集从 14 城扩展至 50+ 城市，覆盖 9 个国家，并通过新的 Heat Resilience Earth Engine App 开放访问。该方法融合 Sentinel-2 与 30-cm 高分辨率卫星影像，在 Boulder 验证中 RMSE 仅 0.04，建模显示针对性冷屋顶规划可使全球城市极端高温降低最多 0.5°C。
Google DeepMind精选AI 评分Google DeepMind 发布 Nano Banana 2 Lite（gemini-3.1-flash-lite-image）和 Gemini Omni Flash（gemini-omni-flash-preview）两款模型，前者是 Nano Banana 家族中速度最快、成本最低的图像模型，后者支持高质量视频生成与对话式编辑。
推荐理由：Google DeepMind 同时放出图像与视频两款新模型，并给出延迟、单价和可用入口，便于开发者评估替换与串联方案。
Google Research精选AI 评分Google 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、超参数调优和特征工程，单次前向传播即可对未见过的表格生成预测。
推荐理由：原文给出 TabFM 的零样本表格预测机制与 TabArena 基准表现，读者可据此判断它能否替代传统树模型工作流。
Google Research精选AI 评分Google Research 提出一种将多 Token 预测（MTP）头接到已冻结的 Gemini Nano v3 模型上的架构，已在 Pixel 9 和 10 系列上线，用于 AI 通知摘要和 Proofread 等功能。
推荐理由：原文披露了冻结主干加 MTP 头的端侧推理方案，读者可了解手机端提速与省内存的具体做法。
Google ResearchAI 评分Google Research 提出线性弹性缓存，将页面淘汰建模为滑雪租赁问题，用轻量机器学习动态调整缓存大小，在 Spanner 生产环境实测内存用量降低 15.5%、缓存未命中仅增加 5.5%、TCO 降低约 5%。该方案用浅层决策树为每个页面预测 TTL，缓存写满时仍由 LRU 兜底，并在多个公开缓存 trace 上与 GDSF 基线对比验证。
Google ResearchAI 评分Google Research 在 COLM 2026 发表的论文揭示，推理轨迹能解锁 LLM 原本无法触及的参数化知识，即使面对 SimpleQA Verified 和 EntityQuestions 上的简单单跳事实问题。
Google DeepMind精选AI 评分Google DeepMind 宣布 computer use 成为 Gemini 3.5 Flash 的内置工具，此前它仅作为独立的 Gemini 2.5 computer use 模型提供。
推荐理由：原文说明 computer use 从独立模型并入 Gemini 3.5 Flash 主模型，并给出 API 与安全防护入口，便于判断智能体落地的可用性。
Google Chrome 团队与 Hugging Face 合作，在 Transformers.js 中试验跨源存储（Cross-Origin Storage）API，用加密哈希而非 URL 标识文件，让不同源的应用共享同一份模型与 Wasm 资源。
Hugging Face 发布 Agentic Resource Discovery（ARD）规范的参考实现 Discover Tool，让智能体在运行时按自然语言搜索能力，而不再依赖预先安装。
推荐理由：Hugging Face 给出 ARD 规范的参考实现与 CLI、REST、MCP 三种调用入口，可据此判断智能体能力发现如何从预装目录转向运行时检索。
Google DeepMindAI 评分Google DeepMind 与英国政府、Google Cloud、Faculty 及 Barnet、Dorset、Camden 地方规划部门合作，开发基于 Gemini 的规划审批原型工具，目标是把住户规划申请的处理时间缩短 50%。
Google ResearchAI 评分Google Research 发布矢量化数据集，将英格兰树篱、石墙和树丛从像素地图转为可执行清单，供土地所有者和保护者测量并扩展这些细尺度生态特征。
Google DeepMindAI 评分Google DeepMind 发布 AI Control Roadmap，一套用于构建和管理 Google 内部部署的高级 AI 的框架，采用纵深防御思路，在模型对齐之外增加系统级安全层。
Google ResearchAI 评分UC San Diego 在 Google 支持下正建设一个由 2000 台退役 Pixel 手机组成的计算集群，取出主板后以 Kubernetes 编排成 25-50 台一组、运行通用 Linux 的集群，为数百名师生提供低成本低碳云计算。
Google ResearchAI 评分Google Research 在 AISTATS 2026 提出 Regularized f-Divergence Kernel Tests，用相对距离检验判断遗忘后的模型在分布上更接近安全重训模型还是原始受损模型。
Google DeepMind精选AI 评分Google DeepMind 发布实验性开源模型 DiffusionGemma，采用文本扩散方式并行生成整块文本，在专用 GPU 上推理速度最高提升 4 倍。
推荐理由：官方给出 26B MoE 文本扩散模型的速度数据与硬件门槛，可据此判断本地交互式推理的可行边界。
Google DeepMindAI 评分Google DeepMind 联合 Schmidt Sciences、Cooperative AI Foundation、ARIA 并获 Google.org 支持，发起最高 1000 万美元的全球技术研究资助，聚焦大规模多智能体 AI 系统的群体行为与安全风险。
Google DeepMind精选AI 评分Google DeepMind 发布 Gemini 3.5 Live Translate，这是一款音频模型，可自动检测 70+ 语言并生成保留说话人语调、节奏和音高的近实时语音到语音翻译，且持续输出而非等说话人说完再翻译，全程仅落后几秒。
推荐理由：Gemini 3.5 Live Translate 支持 70+ 语言连续语音翻译，并同步开放 API 与 Google 产品入口，可据此判断实时翻译的落地方式。
Google DeepMind精选AI 评分Google DeepMind 发布 Gemma 4 12B，定位为可在笔记本本地运行的多模态模型，介于边缘端 E4B 与 26B MoE 之间，是首个支持原生音频输入的中等规模 Gemma 模型。
推荐理由：Gemma 4 12B 用无编码器架构把视觉和音频直接接入 LLM，并给出 16GB 显存本地运行的边界。
Google DeepMindAI 评分Google DeepMind 推出为期三个月的 Robotics 加速器，从欧洲选出 15 家机器人初创公司，提供技术指导并开放其 AI 技术栈与 Gemini 机器人模型。入选公司覆盖物流、制造、医疗、气候与导航等领域，本周在伦敦启动。
Google DeepMind精选AI 评分Google DeepMind 公布在塞拉利昂开展的预注册试验结果，使用 Guided Learning 的学生数学成绩比对照组提升 0.258 个标准差，约相当于八周内取得 1.2 至 1.7 年的常规学习进度。
推荐理由：原文给出塞拉利昂预注册试验的量化结果与交互数据，读者可据此了解AI辅助教学的实际效果与局限。
Google Research精选AI 评分Google 在 Gemini Enterprise Agent Platform 上推出由 Agentic RAG 驱动的跨语料检索公开预览版，通过规划、改写、路由与充分上下文智能体迭代检索多源数据。官方称相比标准 RAG，该框架在事实性数据集上准确率最高提升 34%；在跨语料设置下从 4 个候选语料中正确路由并答对 90.1% 的问题，单语料与跨语料版本延迟差异平均在 3% 以内。
推荐理由：原文给出多智能体 RAG 的完整流程与跨语料评测数据，读者可据此判断它在多源检索场景下的可用性。
Google Research精选AI 评分Google Research 在 Nature 发表 PHRM 研究系统，利用手机前置摄像头在面部解锁后拍摄 8 秒面部视频，通过深度学习估算心率，与心电图相比 MAPE 低于 10%，覆盖所有肤色。
推荐理由：Google 用 35 万段手机视频训练 rPPG 模型，并公开迄今最大规模数据集，读者可了解被动心率监测的可行边界。
NVIDIA 发布 Nemotron 3.5 Content Safety，基于 Gemma 3 4B IT 微调，把多模态输入、多语言覆盖、自定义企业策略执行和可审计推理统一到一次推理调用中。
推荐理由：NVIDIA 把多模态、多语言、自定义策略与可审计推理合并进一次推理调用，并公开训练数据集。