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. 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. 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 DeepMind62

    Gemini 3.5 Flash 原生集成电脑使用能力

    Google DeepMind 宣布 Gemini 3.5 Flash 模型原生集成了电脑使用功能,取代了此前独立的专用模型版本,使开发者能利用该模型构建能在浏览器、移动和桌面环境中感知、推理并执行操作的智能体。材料指出该功能旨在提升长周期和企业级自动化任务(如持续软件测试)的性能,并提供了针对提示注入风险的对抗训练及可选的企业安全防护系统。

    推荐理由:原文宣布 Gemini 3.5 Flash 原生集成电脑使用能力,开发者可借此构建跨平台智能体以执行长周期自动化任务。

  1. Google DeepMind82

    Gemini Robotics-ER 1.6 发布:通过增强的具身推理赋能现实世界机器人任务

    DeepMind 正式发布 Gemini Robotics-ER 1.6 模型,该版本在空间推理、多视角理解及仪表读数能力上显著优于前代。新增的仪表读数功能允许机器人自主解读压力计和液位计等复杂工业设备,结合波士顿动力 Spot 机器人的实地需求开发。

    推荐理由:DeepMind 发布 Gemini Robotics-ER 1.6,新增仪表读数能力并强化空间推理与多视角理解,开发者可通过 API 和 Colab 立即试用。

  1. Google DeepMind60

    Gemini 3 Deep Think 模式升级并开放 API 早期访问

    Google DeepMind 发布 Gemini 3 Deep Think 重大升级版本,该专用推理模式在数学、编程竞赛及国际物理与化学奥赛基准上达到金牌水平,并能将草图转化为可 3D 打印的物理对象。此次更新不仅面向 Google AI Ultra 订阅者开放应用内使用,首次也通过 Gemini API 向研究人员和企业合作伙伴提供早期访问权限。

    推荐理由:Deep Think 模式升级,新增通过 Gemini API 的早期访问权限,支持从草图生成 3D 打印文件及复杂科学推理。

  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。

  1. Luxonis DepthAI · Releases72

    Luxonis DepthAI v3.0.0 正式发布:API 简化与 VSLAM/RGBD 新节点上线

    DepthAI v3.0.0 正式从候选版发布,核心 API 已简化统一,移除废弃函数。Camera 节点整合了多平台支持,ImageManip 增加确定性操作追踪。

    推荐理由:DepthAI v3.0.0 正式发布,统一了 API 并新增 RGBD、VSLAM 及动态校准节点,支持 RVC4 设备与主机自定义逻辑。

已经到底了