跳到正文
10月17日周六
10月14日周三
  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。

10月7日周三
9月9日周三
9月3日周四
  1. Google DeepMind42

    DeepMind 发布 Gemini 3.8 Flash 与 3.8 Flash Cyber,强化代码推理与漏洞修复能力

    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。

9月2日周三
8月28日周五
  1. Google DeepMind42

    Gemini Omni 1.1 Flash 新增场景扩展、首尾帧插值及 4K 超分等可控生视频能力,通过 Gemini API 在 Google AI Studio 全球开放

    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。

8月26日周三
  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。

8月12日周三
7月1日周三
6月9日周二
  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。

11月20日周四
  1. Google DeepMind20

    Google DeepMind 在 Gemini App 上线 SynthID 图像验证功能并扩展 C2PA 支持

    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。

11月19日周三
  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。

11月11日周二
  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。

11月6日周四
  1. Google DeepMind55

    DeepMind 发布森林砍伐风险预测基准与物种分布图,更新生物声学模型 Perch 2.0

    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。