跳到正文
  1. Google DeepMind82

    Gemini 4 Argon 发布:具身推理与复杂工程任务全球上线

    Google DeepMind 正式发布 Gemini 4 Argon 模型,该模型在具身推理基准 ERQA 中以 87% 的分数领先其他前沿模型,并展示了通过观看人类操作视频自主构建仿真代码、进而将技能迁移至人形机器人(Apptronik Apollo)实现连续投掷的技能。

    推荐理由:DeepMind 发布 Gemini 4 Argon,在具身推理基准 ERQA 以 87% 分数领先,并展示通过观看视频自主构建仿真代码并在人形机器人上实现技能迁移的能力。

  1. Google DeepMind78

    Google DeepMind 发布开源轻量级多模态嵌入模型 EmbeddingGemma 2

    Google DeepMind 发布 EmbeddingGemma 2,这是一个基于 Gemma 4 架构的开源多模态嵌入模型,采用 Apache 2.0 许可。

    推荐理由:DeepMind 发布 EmbeddingGemma 2,统一处理文本、代码、音视频的多模态嵌入模型,支持端侧推理与离线 RAG。

  1. MIT CSAIL News68

    InstructMesh:让 AI 生成的 3D 模型可编辑且符合物理功能

    MIT CSAIL、Google 和东北大学联合开发的 InstructMesh 工具,结合 Microsoft TRELLIS 系统与 GPT-4 大语言模型,允许用户通过自然语言提示生成并编辑 3D 设计。

    推荐理由:MIT CSAIL 联合 Google 等推出 InstructMesh,结合 TRELLIS 与 GPT-4 实现可编辑的生成式 3D 设计工具。

  1. Google DeepMind67

    Gemini 3.7/3.6/3.5 Flash 发布代理式视频理解功能

    Google DeepMind 今日在 Gemini 3.7 Flash、3.6 Flash 和 3.5 Flash-Lite 模型中推出代理式视频理解(agentic video understanding)功能。

    推荐理由:DeepMind 在 Gemini Flash 系列中引入代理式视频理解,通过动态检索与多模态分析显著降低长视频处理成本并提升精度。

  1. OpenCV Blog78

    3D-Object Perception Transformer (3PT):统一检测、分割与位姿估计的 RGB-only 多视图 Transformer

    OpenCV Live 播客介绍由 Intrinsic 和夏威夷大学作者提出的 3D-Object Perception Transformer(3PT),该架构将检测、分割和 6DoF 位姿估计统一为两个仅用 RGB 的多视图 Transformer。

    推荐理由:OpenCV Live 播客介绍 3PT 架构及其在 BOP 2025 竞赛中的表现,并分享从基准测试到工业部署的工程经验。

  1. Google DeepMind78

    DeepMind 推出首个消费级手语转文本模型 SL2T

    Google DeepMind 发布多语言手语转文本(SL2T)模型,首次将其集成至 Pixel 11 的 Gboard 和 Live Transcribe 应用中,支持美国手语(ASL)到英语的实时翻译。

    推荐理由:DeepMind 推出首个消费级手语转文本模型 SL2T,集成于 Pixel 11 Gboard 与 Live Transcribe,支持 ASL 到英语翻译。

  1. Google DeepMind65

    DeepMind 发布 Nano Banana 2 Lite 与 Gemini Omni Flash 模型

    Google DeepMind 发布 Nano Banana 2 Lite(gemini-3.1-flash-lite-image)和 Gemini Omni Flash(gemini-omni-flash-preview)。

    推荐理由:DeepMind 发布 Nano Banana 2 Lite 与 Gemini Omni Flash,提供高速图像生成与视频编辑能力,支持开发者构建端到端多媒体工作流。

  1. Google DeepMind72

    Google DeepMind 发布 Gemma 4 12B:首个原生支持音频输入的无编码器多模态模型

    Google DeepMind 正式发布 Gemma 4 12B,这是其首款原生支持音频输入的中尺寸多模态模型。该模型采用无编码器统一架构,视觉和音频信号直接流入 LLM 主干,在标准基准测试中表现接近 26B MoE 版本但显存占用减半,仅需 16GB 显存即可在消费级笔记本本地运行。

    推荐理由:Gemma 4 12B 采用无编码器统一架构,原生支持音频输入且仅需 16GB 显存即可在本地笔记本运行。

  1. Google DeepMind82

    Google 发布 Gemini 3:最强多模态模型与全新代理开发平台

    Google 正式发布 Gemini 3 系列,宣布其为目前最智能的模型,具备最先进的推理、多模态理解及代理编码能力。Gemini 3 Pro 在多项基准测试中超越前代,支持 100 万 token 上下文窗口;新增 Deep Think 模式以进一步提升复杂问题解决能力。

    推荐理由:原文宣布 Gemini 3 系列发布,提供最新推理与多模态能力,并开放 Google Antigravity 代理开发平台及 Deep Think 模式。

  1. Google DeepMind67

    DeepMind:通过三步法让 AI 视觉模型像人一样理解世界

    DeepMind 发布新研究,指出当前视觉模型在组织视觉信息时与人类存在系统性偏差,导致其在“找不同”等认知任务中表现不佳。团队提出一种三步对齐方法:先利用少量人类判断数据微调小型适配器构建教师模型,再基于该教师生成百万级合成数据集,最后用此数据对预训练模型进行全量微调以重构内部表征。

    推荐理由:DeepMind 发布新论文,提出三步法将视觉模型内部表征与人类概念层级对齐,显著提升认知任务表现及鲁棒性。

已经到底了