Google 与 DeepMind 的 AI 动态：Gemini 系列、Veo 视频模型、研究成果与产品生态的持续追踪。
Google DeepMind 联合 Kaggle 发布 FACTS Benchmark Suite，新增 Parametric、Search、Multimodal 三项基准，并更新 FACTS Grounding Benchmark v2。
推荐理由：FACTS Benchmark Suite 将内部知识、网页搜索、图像问答和上下文 grounding 分开评测，并公开 3,513 个样例，便于比较模型在不同事实性任务上的表现。
Google Research 在两篇新论文中提出 Titans 架构与 MIRAS 理论框架，通过可随数据流更新的深层神经网络记忆模块，让模型在运行时选择性保留新信息。
推荐理由：文章系统介绍了 Titans 与 MIRAS 如何通过可在线更新的深层记忆模块处理超长上下文，并给出语言、基因组和时间序列任务上的实验比较。
研究人员利用 AlphaFold 预测植物及耐热藻类 glycerate kinase（GLYK）的结构，并通过分子模拟发现植物 GLYK 的三个柔性环在高温下会失稳。团队以藻类 GLYK 的刚性结构替换这些区域，设计出的杂合酶在最高 65 °C 下仍保持稳定，为培育更耐热的作物提供了研究路径。
推荐理由：研究展示了如何结合 AlphaFold 结构预测与分子模拟定位酶的热不稳定区域，并据此设计出耐受更高温度的杂合酶。
Google Research 发布 Massive Sound Embedding Benchmark（MSEB），用于统一评测检索、推理、分类、转录、分割、聚类、重排和重建八类声音理解能力。
推荐理由：MSEB 将语音与生物声学等场景纳入统一评测，并拆分八类能力，帮助比较通用声音表示与专用系统的差距。
Google DeepMind 回顾 AlphaFold 自 2020 年以来对科学研究的影响，包括 AlphaFold Protein Database 被超过 3 million 名研究者在 190 多个国家使用，以及相关研究在疾病理解、药物研发和生物学发现中的应用。
推荐理由：文章以五年应用数据和具体科研案例梳理 AlphaFold 的扩散路径，呈现其从蛋白质结构预测工具走向数字生物学平台的过程。
科学家借助 AlphaFold 和 cryo-EM 解析了 apoB100 的结构，该蛋白构成低密度脂蛋白（LDL）的分子支架。模型显示，apoB100 形成包裹 LDL 颗粒的笼状外壳，并带有维持颗粒在血液中完整的带状结构，为预防、诊断和治疗高胆固醇及 ASCVD 提供了新的研究方向。
推荐理由：研究将 cryo-EM 图像与 AlphaFold 的原子级预测结合，解析了 apoB100 包裹 LDL 颗粒的结构，为理解和精准干预 ASCVD 提供了结构依据。
Google DeepMind 发布 Nano Banana Pro（Gemini 3 Pro Image），面向开发者提供高保真图像生成与编辑能力，目前通过 Gemini API 在 Google AI Studio 和 Vertex AI 以付费预览形式推出。
推荐理由：这篇发布说明集中展示了 Gemini 3 Pro Image 在文字渲染、图像控制、语言本地化和 Google Search grounding 方面的开发者用法。
Google DeepMind 发布 Nano Banana Pro（Gemini 3 Pro Image），主打更强的推理、世界知识、文字渲染和图像编辑控制。
推荐理由：Nano Banana Pro 将更强的推理、文字渲染和创作控制结合到图像生成与编辑中，并给出了面向消费者、开发者和专业用户的使用入口。
Google Research 介绍了一种端到端实时语音到语音翻译模型，可保留原说话者的声音，并将延迟降至 2 秒。该技术已用于 Google Meet 服务器端功能和 Pixel 10 的端侧功能，当前支持英语与西班牙语、德语、法语、意大利语、葡萄牙语之间的翻译。
推荐理由：文章具体说明了端到端语音翻译如何将延迟降至 2 秒，并展示其在 Google Meet 与 Pixel 10 上的落地方式。
Google DeepMind 发布 Gemini 3，其中 Gemini 3 Pro 已通过 Gemini API 在 Google AI Studio 和 Vertex AI 提供预览，价格为 $2/million input tokens 和 $12/million output tokens，适用于 200k tokens 或更短的 prompts。
推荐理由：Gemini 3 Pro同时覆盖智能体编码、单提示词应用生成和多模态推理，并公布了API价格与接入方式，便于评估其开发价值。
Google DeepMind 宣布在新加坡开设新的研究实验室，以推进亚太地区的 AI 研究、Gemini 核心能力和区域应用。新加坡团队将与政府、企业、学术机构及社会组织合作，重点关注语言与文化包容性。该公司还介绍了与新加坡机构在 AlphaFold、AI agent sandbox、Project Aquarium、SEA-LION v4 和 AI 教育等方面的合作。
推荐理由：Google DeepMind 将新加坡研究实验室与区域合作结合，覆盖 Gemini、语言文化包容性及公共服务等应用方向。
Google DeepMind 发布 Gemini 3，首先推出 Gemini 3 Pro 预览版，并在 Gemini app、AI Mode in Search、AI Studio、Vertex AI 和 Gemini CLI 等入口提供使用。
推荐理由：Gemini 3 Pro、Deep Think 与 Google Antigravity 同步亮相，原文集中展示了模型能力、开发入口和智能体工作流变化。
Google DeepMind 发布 Google Antigravity 智能体开发平台，面向端到端软件任务提供浏览器控制、异步交互和多智能体协作。公开预览现已免费开放，兼容 macOS、Linux 和 Windows，并支持 Gemini 3、Claude Sonnet 4.5 和 GPT-OSS。
推荐理由：Antigravity把IDE、浏览器控制和异步多智能体协作整合到同一开发平台，展示了智能体如何执行并验证端到端软件任务。
Google Research推出Generative UI，让AI模型根据用户提示动态生成网页、游戏、工具和应用等定制化交互界面。该能力已在Gemini app中以dynamic view和visual layout实验形式推出，并接入Google Search的AI Mode；美国Google AI Pro和Ultra订阅者可在AI Mode中选择“Thinking”体验。
推荐理由：Google同时给出论文依据、产品入口和偏好评测，能帮助读者理解Generative UI从研究实现走向真实产品时的能力边界与使用条件。
Google DeepMind 和 Google Research 发布 WeatherNext 2，可将全球天气预测提速 8x，分辨率最高达到 1 小时，并从单一起始条件生成数百种天气情景。
推荐理由：WeatherNext 2 同时提升预测速度、分辨率和情景覆盖，并开放至多个 Google 平台，展示了天气模型从研究走向应用的路径。
Google Research与Google DeepMind发布Natural Forests of the World 2020，这是首个区分自然森林与其他树木覆盖的全球一致10米分辨率地图，独立数据集验证准确率为92.2%。
推荐理由：该项目将季节性卫星影像、地形数据与时空视觉模型结合，为区分自然森林和其他树木覆盖提供了全球一致的10米基线。
Google DeepMind 发布 SIMA 2，这一研究型智能体结合 Gemini 模型，可在虚拟 3D 世界中理解复杂指令、进行推理、与用户对话并通过自我游戏持续改进。SIMA 2 已在包括 ASKA 和 MineDojo 在内的未训练游戏，以及 Genie 3 生成的新世界中进行测试；目前以有限研究预览形式向少量学者和游戏开发者开放。
推荐理由：文章展示了 SIMA 2 如何结合 Gemini 的推理与自我改进，在未见过的游戏和生成世界中执行复杂任务，并说明其当前局限。
Google Research 发布 JAX-Privacy 1.0，这是基于 JAX 构建的差分隐私模型训练与审计工具包，支持 DP-SGD、DP-FTRL 和 DP 矩阵分解等算法。该版本面向多加速器和大规模模型训练，提供微批处理、填充、隐私损失审计及 Gemma 系列模型微调示例，并通过 GitHub 和 PIP 开源。
推荐理由：JAX-Privacy 1.0 将差分隐私训练、并行扩展和审计组件整合到 JAX 生态，降低大规模隐私保护机器学习的实现门槛。
Google DeepMind 发布发表于 Nature 的新研究，提出一种让视觉模型表征更接近人类知识结构的方法。研究以 THINGS 数据集训练 SigLIP-SO400M 上的小型适配器，生成包含数百万次类人“找不同”判断的 AligNet 数据集，再用于微调其他模型。
推荐理由：研究把人类视觉判断转化为大规模训练数据，展示了重组视觉表征如何同时改善人类对齐、少样本学习和分布偏移下的可靠性。
Google Research 在 NeurIPS 2025 论文中提出 Nested Learning，将模型架构和优化算法视为相互嵌套、同时优化的多层学习问题，以应对持续学习中的灾难性遗忘。
推荐理由：文章将模型架构与优化算法统一为多层嵌套优化问题，并以 Hope 展示连续记忆和长上下文处理的设计路径。