Gemini 4 Argon 正式发布:强化长流程任务与多模态能力,API 限时半价
Google 正式面向全球开发者及企业推出旗舰模型 Gemini 4 Argon。该版本在编程、专业知识工作及复杂任务持续执行方面显著增强,官方评测显示其表现达到 GPT-6 Astra 水平且成本更低。
Google 正式面向全球开发者及企业推出旗舰模型 Gemini 4 Argon。该版本在编程、专业知识工作及复杂任务持续执行方面显著增强,官方评测显示其表现达到 GPT-6 Astra 水平且成本更低。
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。
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。
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。
DeepMind 推出 Gemini 3.8 Flash 及专为可信防御者提供的 3.8 Flash Cyber,后者在内部基准中漏洞发现成功率超 70%,CWE-Bench 补丁 pass@1 达 47.2%。两款模型均基于相同核心智能,通过长周期智能循环迭代优化,在软件工程和关键多步推理领域显著提升性能且成本更低。
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。
Google DeepMind 发布 Gemini Omni 1.1 Flash,支持分析最多 10 秒上下文以生成累计长达 40 秒的连续视频,并实现首尾帧插值与最高 4K 分辨率输出。360p 预览版推理速度较标准 720p 快约 60%、成本降低三分之一,适用于快速原型迭代。该模型今日起通过 Gemini API 在 Google AI Studio 及全球订阅者中开放使用。
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。
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。
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。
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。
Google DeepMind 即日起在 Gemini App 引入 SynthID 数字水印技术,允许用户直接上传图片询问是否由 Google AI 生成或编辑。该技术自 2023 年推出以来已对超 200 亿件内容打标,并正与 C2PA 联盟合作,本周起为 Nano Banana Pro(Gemini 3 Pro Image)生成的图像嵌入 C2PA 元数据以增强透明度。
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。
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。
Google DeepMind 发布了用于预测森林砍伐风险的基准数据集,该模型基于纯卫星输入和视觉 Transformer 架构,分辨率达 30 米。同时推出了新的 AI 驱动方法以生成地球物种分布图,并更新了生物声学分类器 Perch 2.0 作为基础模型供生态学家适配使用。