Google DeepMind 发布 Gemini Robotics 2，通过 Gemini Robotics 2、Gemini Robotics ER 2 和 Gemini Robotics On-Device 2，支持人形机器人全身控制、灵巧操作、多步骤推理与多机器人协作。
推荐理由：原文系统梳理了 Gemini Robotics 2 的三类模型分工、机器人适配方式与安全机制，便于理解其从单机控制走向协作任务的技术路径。
Google Research 在一项 n=13,917 的随机研究中，让参与者与五种 Gemini Flash 2.0 SymptomAI 智能体进行症状访谈并生成 DDx。
推荐理由：研究将真实对话、临床专家比较与 Fitbit 生理信号结合，呈现 SymptomAI 在日常症状评估中的表现及研究边界。
Google Research 在 Nature 发表研究，展示一种强化学习框架，可利用量子错误检测事件持续调节控制参数，在计算不中断的情况下抵抗漂移。该方法在 Willow 超导处理器上使逻辑稳定性提升 3.5 倍，并在人工校准后进一步将逻辑错误率降低 20%；模拟显示所需训练迭代次数与系统规模无关。
推荐理由：文章把量子纠错产生的错误检测事件转为强化学习信号，展示了连续校准如何在不中断计算的情况下抑制硬件漂移。
Google 宣布承诺 $40M 的 AI tokens 和云 credits，为 DOE Genesis Mission 研究人员提供 AI for science 工具支持。
推荐理由：文章具体说明了 Google 如何以 $40M AI tokens 和云 credits 支持 DOE 科研，并给出 AlphaEvolve 与 Gemini 在实验室中的应用数据。
Google DeepMind 发布 Gemini 3.6 Flash、Gemini 3.5 Flash-Lite 和 Gemini 3.5 Flash Cyber，分别面向通用智能体、低延迟高吞吐任务及网络安全。
推荐理由：文章将三款模型的定位、速度与价格放在同一发布中说明，并交代 Gemini 3.5 Flash Cyber 的受限部署方式，便于比较不同智能体工作负载的选择。
Google DeepMind 发布 Gemini 3.5 Flash Cyber，这是基于 3.5 Flash 微调、用于快速发现、验证和修复软件漏洞的轻量网络安全模型。
推荐理由：原文结合 CyberGym、Big Sleep 和生产扫描结果，展示了轻量模型在漏洞发现与修复任务中的性能和规模化使用方式。
Google DeepMind 与 Isomorphic Labs 公布联合生物韧性方案，围绕预防、检测和响应使用 AI 应对生物安全风险。过去 12 个月，双方推进了超过 15 项与政府机构、生物安全组织和研究团体的合作。
推荐理由：文章按预防、检测和响应梳理 AI 参与生物安全的路径，并列出模型安全评估、病原体监测和药物设计等合作实例。
Google Research 在 ICLR 2026 论文中指出，扩散模型的创造力来自神经网络训练对 score function 产生的 score smoothing，而非随机现象。研究表明，正则化会让模型在训练数据点之间生成新的合理样本，并在高维场景中帮助恢复数据流形。Google Research 同时发布了用于生成论文图表的数值实验代码。
Google DeepMind 启动 ATL Saathi 试点，为印度 Atal Tinkering Labs 教师提供 Gemini 驱动的 24/7 规划与培训助手。该应用整合 NotebookLM 中的 12 个核心课程模块，支持 AI 摘要、信息图、视频概览、互动测验和项目生成，并计划先覆盖 100 所试点学校，支持 8 种语言。
推荐理由：原文具体展示了 ATL Saathi 如何结合课程微学习、项目生成和多语言支持，为 AI 教育助手提供了清晰的应用案例。
Google Research 介绍 SensorFM，这一模型使用来自 5 million 名参与者的超过 1 trillion minutes 多模态可穿戴传感器数据进行预训练。
推荐理由：文章将可穿戴数据的规模化预训练、缺失感知学习与智能体适配串联起来，展示了通用表示跨健康任务迁移的路径。
Google Research 在10座美国城市开展为期6个月的实验，通过Google Maps将少于2%的行程引导至通行时间相近的替代路线。研究显示，目标路段驾驶速度中位数提升约2%，受影响路段整体提升约0.35%，并可使每座城市每年潜在减少数千吨 CO2e 排放。
推荐理由：研究在10座美国城市开展为期6个月的路由干预实验，量化少量改道如何带来全网速度与排放变化。
Google DeepMind 与 A24 宣布开展以研究为核心的合作，围绕多个项目共同开发面向创作者的新工作流和技术。Google 还对 A24 进行了投资；合作初期聚焦连接前沿技术与下一代娱乐，具体目标、技术产出和创意里程碑将随协作推进而演变。
Hugging Face 与 Cerebras 展示了将 Gemma 4 31B 用于实时语音到语音系统的方案。该开放管线依次使用 Nvidia 的 Parakeet 进行语音识别、在 Cerebras 上运行 Gemma 4 VLM 推理，并通过 Qwen3TTS 生成语音。相关架构已用于 Reachy Mini 机器人，配套代码仓库为 huggingface/speech-to-speech。
推荐理由：文章拆解了实时语音到语音管线的模块构成与协作方式，开发者可据此了解低延迟架构的实现路径和代码入口。
Google Research 发布覆盖全球 50+ 城市的建筑级屋顶反射率数据，并上线 Heat Resilience Earth Engine App。该方法融合 Sentinel-2 与 30-cm 卫星影像，生成建筑级反照率地图，在 Boulder 数据验证中的 RMSE 为 0.04。
推荐理由：文章展示了 Google Research 如何把多源遥感数据转化为建筑级屋顶反射率信息，支持城市规划者定位降温改造对象。
Google DeepMind 发布 Nano Banana 2 Lite 图像模型，并面向开发者开放 Gemini Omni Flash 视频生成与对话式编辑模型。
推荐理由：文章同时给出图像与视频模型的定位、价格和限制，便于开发者比较生成速度、成本与可用范围。
Google Research 发布 TabFM，这一面向表格数据分类和回归的基础模型可通过单次前向传播生成预测，无需手动训练、超参数调优或复杂特征工程。TabFM 采用交替行列注意力、行压缩和 Transformer，并基于数亿个合成数据集训练。
推荐理由：文章解释了 TabFM 如何用交替行列注意力、行压缩和合成数据训练，将表格分类与回归转为零样本推理，并给出 BigQuery 使用入口。
Google Research 将 Multi-Token Prediction（MTP）改造到冻结的 Gemini Nano v3 模型上，并部署至 Pixel 9 和 10 系列。
推荐理由：文章展示了如何在不改变 Gemini Nano v3 基础能力的前提下，通过冻结主干和零拷贝 MTP 降低移动端推理开销。
Google Research 在 CIDR 2025 论文中提出线性弹性缓存，将页面淘汰建模为 ski rental 问题，并根据实时负载动态调整缓存大小。在 Spanner 生产服务器的测试中，内存使用减少 15.5%，缓存未命中增加 5.5%，TCO 降低约 5%，实际 I/O 成本仅增加 0.5%。该方法使用轻量级决策树预测页面 TTL，缓存物理空间不足时仍由 LRU 管理。
Google Research 研究发现，开启 reasoning trace 可帮助 Gemini-2.5 Flash、Gemini-2.5 Pro 和 Qwen3-32B 找回关闭推理时难以恢复的单跳事实。
推荐理由：文章通过受控实验拆解推理提升单跳事实召回的两种机制，并将中间事实的可靠性与最终答案准确率联系起来。
Google DeepMind 将 computer use 内置到 Gemini 3.5 Flash，开发者可通过 Gemini API 和 Gemini Enterprise Agent Platform 构建跨浏览器、移动端和桌面环境运行的智能体。该能力面向持续软件测试和专业应用中的知识工作等长流程自动化任务，并提供用户确认、间接提示注入识别后自动停止等可选企业安全机制。
推荐理由：原文既说明了 computer use 从独立模型转为 Gemini 3.5 Flash 内置工具，也给出企业安全防护与接入方式。
Google DeepMind与英国政府合作开发基于Gemini的AI规划工具原型，目标将房主规划申请的处理时间缩短50%。工具可整理申请数据、匹配相关政策、汇总反馈并起草评估报告，规划官员仍保留逐行审核和最终批准或拒绝的权力。英国政府计划在早期试验后，于2027年向全国所有地方议会提供该工具。
Google Research 发布矢量化数据集，将 Farmscapes 2020 的高分辨率地图转化为包含树篱、石墙和小型林地的可操作清单。该框架使用在 300 million 全球卫星图像上预训练的 Remote Sensing Foundations Vision Transformer，并结合亚米级影像和 1-meter LiDAR 数据识别复杂农田景观。
推荐理由：文章展示了如何将高分辨率卫星影像与 LiDAR 数据转化为可用于生态恢复和碳核算的精细化地理数据。
Google DeepMind 发布 AI Control Roadmap，用分层防御管理内部 AI 智能体，即使模型对齐不完善，也通过权限控制、威胁建模和系统级安全措施降低风险。
推荐理由：文章将 AI Control Roadmap 拆解为威胁建模、监控与响应机制，并用可量化指标说明如何随智能体能力提升强化安全控制。
Google Research 分享多项关于 AI 辅助理解皮肤状况的研究，发现 AI 工具将条件名称猜测准确率从标准搜索的 8% 提高到 23%。在 2,345 名参与者的研究中，AI 对后续医疗步骤判断没有显著改善；另一项涉及 110 名参与者的真实场景研究显示，参与者命名条件的能力提高 260%，临床医生认为应用预测与自身评估一致的比例为 86%。
推荐理由：研究同时考察了皮肤状况识别和后续决策，呈现视觉匹配能带来的帮助及医疗建议场景中的局限。
Google Research 提出 Regularized f-Divergence Kernel Tests，用相对三样本检验审计差分隐私与机器遗忘。该框架在 SVT3 隐私违规检测中仅用几千个样本，而 DP-Auditorium 需要数百万个样本才能达到相近的检测率。对所评估的近似机器遗忘方法，只有 random label technique 通过了测试，作者同时说明实验使用了简化实现。
推荐理由：文章把机器遗忘审计从直接比较两模型改为相对三样本检验，并展示其在隐私审计中减少样本需求、识别局部偏移的具体效果。
Google DeepMind 发布实验性开放模型 DiffusionGemma，采用文本扩散和并行生成，在专用 GPU 上实现最高 4 倍的文本生成速度。该 26B MoE 模型推理时激活 3.8B 参数，量化后可适配 18GB VRAM，并以 Apache 2.0 许可发布。DiffusionGemma 面向本地、低并发的交互式工作流，但整体输出质量低于标准 Gemma 4。
推荐理由：文章具体说明了 DiffusionGemma 在本地低并发推理中的速度优势，也交代了输出质量与标准 Gemma 4 的取舍。
Google DeepMind 联合 Schmidt Sciences、Cooperative AI Foundation、ARIA 和 Google.org，面向全球研究者发起最高 $10M 的多智能体 AI 安全技术研究资助计划。
推荐理由：这项最高 $10M 的资助计划覆盖多智能体安全的四个研究方向，呈现了从单模型评估转向群体系统治理的研究重点。
Google DeepMind 发布 Gemini 3.5 Live Translate，支持在70+种语言之间进行接近实时的语音到语音翻译，并保留说话者的语调、节奏和音高。
推荐理由：Gemini 3.5 Live Translate展示了连续语音翻译在延迟、语调保留和多语言覆盖之间的具体取舍，并给出开发者与用户入口。
Google DeepMind 发布 Gemma 4 12B，这是一款面向笔记本本地运行的统一无编码器多模态模型，支持原生音频输入，并提供多步推理和智能体工作流能力。该模型在标准基准上的表现接近 26B MoE 模型，支持使用 16GB 内存本地运行，并以 Apache 2.0 许可证发布。
推荐理由：文章从架构、资源占用和本地部署入口三个层面，说明 Gemma 4 12B 如何将多模态智能带到消费级笔记本。
Google DeepMind Accelerator: Robotics 从欧洲遴选15家机器人初创公司，启动为期3个月的密集指导与技术支持项目。入选团队将获得 Google DeepMind 和 Google 专家的技术指导、产品建议，以及 AI stack 和 Gemini robotics models 的使用支持，推动 AI 融入机器人产品。
Google DeepMind 报告了在塞拉利昂开展的预注册试验，使用 Guided Learning 的学生数学成绩较对照组提高 +0.258 个标准差，八周内约相当于 1.2 至 1.7 年的典型学习进步。
推荐理由：这项预注册试验同时呈现了学习成绩、互动方式与教师角色的变化，为评估 AI 如何在教师主导课堂中支持学习提供了具体证据。
Google 在 Gemini Enterprise Agent Platform 中推出由 Agentic RAG 驱动的 Cross-Corpus Retrieval，目前以 public preview 形式提供。
推荐理由：文章说明了 Sufficient Context Agent 如何驱动多轮检索，并给出跨语料库实验结果，便于理解该方案对复杂企业查询的改进。
Google Research 在 Nature 论文中介绍 PHRM，利用前置摄像头在人脸解锁后采集 8 秒面部视频，在日常手机使用中被动估计心率和每日静息心率。真实场景验证中，心率 MAPE 为 6.09%，静息心率相对 Fitbit Charge 6 的 MAE 为 4.39 bpm；团队同时开放研究数据集和预训练 PHRM-mini 模型，合格研究者可申请访问。
推荐理由：论文展示了 PHRM 如何在日常手机使用中估计心率与静息心率，并以跨肤色数据和真实场景验证其准确性。
Google Research 将用于 Flood Hub 的水文建模框架开源至 GitHub，供气象水文机构训练和本地化微调 AI 洪水预报模型。框架以 Python 和 PyTorch 实现，包含 LSTM 架构、训练流水线、交互式教程，并支持使用 Caravan 历史河流数据及地方数据。
推荐理由：原文同时交代了框架、训练数据、教程和实际接入案例，读者可据此了解 AI 洪水预报如何进入地方业务流程。
Google Research 在 I/O 2026 集中介绍了 Gemini for Science、AI 医疗研究、端侧平台、极端天气预测、Gemini 能力改进和量子计算等方向的进展。文章还介绍了 Google Antigravity 2.0 的多智能体开发工作流、Gemma V4 上线一个月下载量超过 100 million，以及 MedGemma 下载量超过 5M。
推荐理由：文章集中梳理 Google Research 在科学发现、医疗、开发者工具和量子计算等方向的 I/O 研究进展，呈现研究成果如何进入具体产品与实验。
Google Research 推出一种基于零信任原则的私有分析方案，将单消息加密聚合与 TEE 结合，以减少对单一实体的信任依赖。该方案采用基于格的协议，确保服务器只能获得匿名聚合结果，原始数据不会在服务器内存中暴露或重建。Android SafetyCore 将使用这套方案评估安全工具效果，同时让用户内容留在设备端。
推荐理由：文章解释了单消息加密聚合如何与 TEE 形成多层防护，并以 Android SafetyCore 说明其在端侧模型分析中的应用。
Google DeepMind 在亚太地区推出首届“AI for the Planet”加速器项目，帮助创新者利用 frontier AI 应对环境风险。项目为期三个月，面向 startups、research teams 和 nonprofits，聚焦 nature、climate、agriculture、energy 等领域。
Google Research 发布由 Gemini 驱动的 Empirical Research Assistance（ERA），并开始通过 Gemini for Science 逐步开放由 ERA 与 AlphaEvolve 构建的 Computational Discovery。
推荐理由：文章把 ERA 的研究结果、科学问题案例与开放路径放在一起，便于了解它如何从代码优化系统走向可供科研人员试用的工具。
Google DeepMind介绍 Co-Scientist 如何帮助研究人员寻找推动细胞恢复年轻状态的遗传因素，并分析大规模基因筛选结果。它检索数万篇论文后提出了20多个可测试的遗传因素，其中几项假设通过实验验证；筛选数据结合文献的分析工作也从最多六个月缩短到几天。
Google DeepMind 在 Project Genie 中推出由 Google Street View 提供真实地点 grounding 的新能力，让用户基于美国地点创建带有不同风格和角色的想象世界。
推荐理由：文章展示了 Genie 如何把 Street View 真实地点接入可交互生成环境，并交代美国可用范围、全球开放对象与实验性限制。