Gemini 4 Carbon 正式发布
Google DeepMind 正式向开发者、企业及消费者发布 Gemini 4 Carbon。该模型在 CursorBench 4.0、WANDR 等基准测试中排名第一,成本低于次优外部模型;在金融研究、全栈开发及网络安全漏洞挖掘与修复方面表现卓越;同时在科学推理(如蛋白质结构预测)和模型安全对齐上取得显著进展。
推荐理由:原文给出了模型在复杂知识工作、全栈开发及前沿网络安全领域的基准表现与成本优势,开发者可据此评估其是否适合现有工程流程。
公司与机构
DeepMind的机器人模型、世界模型与视觉研究,区分论文、权重开放和产品访问范围。
30 条精选近 30 天 3 条共收录 52 条
Google DeepMind 正式向开发者、企业及消费者发布 Gemini 4 Carbon。该模型在 CursorBench 4.0、WANDR 等基准测试中排名第一,成本低于次优外部模型;在金融研究、全栈开发及网络安全漏洞挖掘与修复方面表现卓越;同时在科学推理(如蛋白质结构预测)和模型安全对齐上取得显著进展。
推荐理由:原文给出了模型在复杂知识工作、全栈开发及前沿网络安全领域的基准表现与成本优势,开发者可据此评估其是否适合现有工程流程。
Google DeepMind 正式发布 Gemini Robotics 2.5,这是其目前最强大的视觉语言动作(VLA)模型,旨在提升机器人学习速度与广度。该模型在超过 200 项任务测试中,相比基线成功率高出 30% 至 100%,完成任务速度快 20% 至 30%。
推荐理由:原文介绍了 Gemini Robotics 2.5 在任务广度、可靠性与安全方面的提升,并披露了与奔驰产线合作的实测数据及 ASIMOV-Jailbreak 基准。
谷歌开源了名为 Harness² 的框架,旨在解决递归自我改进(RSI)在真实开放世界中缺乏标准答案和过度拟合的问题。该系统采用双层递归架构:任务级递归通过提议 - 探测 - 合成机制在无裁判环境下进行行为对比以修补缺陷;改进级递归则将调试记录沉淀为元能力存入经验库,供后续任务检索复用。
推荐理由:谷歌开源 Harness²,通过双层递归架构实现 Agent 在运行中的自我修补与经验沉淀,显著提升了多基准任务表现。
DeepMind 发布 Gemini 4 Argon,该模型在 ERQA 基准测试中纯推理得分 87%,超越其他前沿模型。Argon 支持从遥操作到自主控制的闭环视觉回路,能基于真实视频或手绘草图构建物理校准的 MuJoCo 仿真双胞胎,并开放了多模态后见性标注与价值函数预测等工具。
推荐理由:DeepMind 发布 Gemini 4 Argon,在 ERQA 基准测试中纯推理得分 87%,并开放了从代码生成到仿真构建的机器人工作流入口。
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 正式上线通用物理推理模型 Gemini 4 Argon,该模型具备视觉语义推理、物理理解和代码生成能力。Argon 支持通过观看视频或手绘草图构建仿真环境(Real2Sim),在 MuJoCo 等环境中进行零样本控制与技能学习,并能分析操作过程以优化机器人表现。
推荐理由:DeepMind 上线通用物理推理模型 Gemini 4 Argon,支持从视频或草图构建仿真环境、零样本控制及自我改进优化机器人动作表现。
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。
论文介绍 H-JEPA,一种用于长程规划的端到端分层世界模型方法。该架构包含多个动作条件化的 JEPA 层级,每层在独立潜空间预测不同时间尺度的未来:顶层优化目标进度,下层将高层预测作为子目标。
推荐理由:提出分层 JEPA 架构,在仿真与真实机器人视频中通过时间尺度分解提升长程规划成功率并降低计算开销。
Google DeepMind 发布 MuJoCo 3.14.0 版本,新增 IPC 实验性接触模式以支持无穿透柔性接触,并引入归档资源提供者接口。修复了惯性分解警告、稀疏牛顿求解器错误及多项 API 兼容性问题,同时优化了 MJCF 保存时的帧变换处理与程序化模型编辑性能。
推荐理由:MuJoCo 3.14.0 发布,新增无穿透柔性接触模式与归档资源提供者,修复惯性分解警告及多项 API 兼容性问题。
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 MuJoCo 3.12.0,核心更新包括新增支持位置/速度设定值及前馈输入的 PID 控制器和重新设计的直流电机控制器。引擎层面优化了大网格凸碰撞检测速度与柔体块求解器收敛性,并修复了盒盒碰撞穿透与近奇异面裁剪导致的接触失效问题。
推荐理由:DeepMind 发布 MuJoCo 3.12.0,新增 PID 与直流电机控制器、优化碰撞检测及纹理加载规范。
Generalist 发布了最新机器人基础模型 GEN-1.5,该模型在预训练后无需微调即可通过单样本演示(物理提示)即时学习新任务,平均成功率达 59%,经少量梯度步优化后可提升至 83%。模型具备零样本仿真到现实迁移、组合泛化及即兴工具使用能力,支持从人类手部动作直接模仿机器人操作。
推荐理由:该机器人基础模型 GEN-1.5 在预训练后无需微调即可通过单样本演示学习新任务,并具备零样本仿真到现实迁移能力。
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 正式发布 Gemini Robotics 2,旨在为下一代自适应机器人提供核心智能层。该系列包含三个模型:最先进的全身体视觉语言动作模型(VLA)支持从脚部到指尖的复杂操作;具身推理模型(ER)负责多步任务规划与人类交互;端侧优化模型(On-Device)可在数小时内适配全新机器人本体。
推荐理由:DeepMind 推出 Gemini Robotics 2,提供全身体控制、灵巧操作及多机协作能力,并开放 On-Device 端侧适配与 ASIMOV-Agentic 安全基准。
DeepMind MuJoCo 3.11.0 版本发布,核心更新包括新增 geom/surfacevel 表面速度场以支持传送带等运动建模、geom/adhesion 粘附力及 pair/adhesion 远距离吸附功能。
推荐理由:DeepMind MuJoCo 3.11.0 发布,新增表面速度场与粘附力建模、SO(3) 姿态伺服及隐式弹性求解器,支持 MIMO 执行器与多输入签名。
Generalist 发布最新具身基础模型 GEN-1,该模型在超过五十万小时真实交互数据上预训练,覆盖从五指人手到专用工具等九千多种末端执行器变体。研究通过任务向量分析量化了不同工具的权重更新幅度(2.5%至11.4%),并验证了模型能在中任务切换机械手时即时适应新策略。该工作旨在构建不依赖特定硬件形态的通用物理智能,使机器人能像工具箱一样灵活组合工具完成任务。
推荐理由:GEN-1 基础模型支持多种末端执行器,通过混合数据训练实现跨工具策略迁移与中任务切换适应。
Google DeepMind 正式发布 Gemini 3.6 Flash、3.5 Flash-Lite 和 3.5 Flash Cyber 三款新模型。
推荐理由:DeepMind 发布 Gemini 3.6 Flash、3.5 Flash-Lite 及 Cyber 版本,提供具体性能指标与定价以支持规模化 AI Agent 构建。
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 联合 Schmidt Sciences、Cooperative AI Foundation 等机构宣布推出总额最高达 1000 万美元的多智能体安全研究资助计划,旨在应对大规模独立智能体交互带来的系统性风险。
推荐理由:DeepMind 联合多方发起百万美元资助计划,聚焦多智能体系统涌现行为、网络失效及跨平台身份协议等四大方向。
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。