从 Atari 到 EVE Online：Google DeepMind 十五年游戏 AI 研究历程
summary_zh: Google DeepMind 回顾十五年来从 Atari 到 EVE Online 的游戏 AI 研究，与 Fenris Creations 等游戏工作室合作开发 SIMA 多世界智能体。
#多模态
#多模态
今日 16 条Google DeepMindAI 评分4242
ScienceDaily · AIAI 评分3838 光驱动纳米机器人可追踪并收集细菌
维尔茨堡大学团队开发出小于1微米的光驱动纳米机器人，可追踪、捕获并释放细菌。机器人通过纳米天线线对齐光的偏振方向实现转向，利用光子反冲力推进，能在实验室条件下有效"清洁"微观环境。携带细菌集群时仍可灵活机动，但速度会有所下降。
Google ResearchAI 评分5151 Google Research推出PhotoScan：用智能手机图像估算 cardiometabolic 风险
Google Research发布PhotoScan，一种基于深度学习的研究框架，可从标准2D智能手机照片估算三维身体成分指标（体脂率、A/G比、V/S比），用于预测胰岛素抵抗。
ScienceDaily · AIAI 评分6060 科学家将DNA制成功耗降低100倍的记忆器件
宾州大学研究团队将合成DNA与钙钛矿半导体结合，制成可在低于0.1伏下工作的memristor，功耗约为传统闪存十分之一，存储密度更高。器件在约250华氏度仍稳定运行超六周，研究已发表在Advanced Functional Materials并申请专利。
Sebastian RaschkaAI 评分3636 从零构建 AI 文本检测器
summary_zh: 作者结合 Substack 新推出的 AI 检测器功能与本地 DIY LLM 项目，演示如何从零实现一个 AI 文本检测器，并将其用作验证器训练小语言模型生成可规避检测的文本。
Microsoft ResearchAI 评分4444 MindTopo 揭示 VLM 的空间推理能力
微软研究院的新基准 MindTopo 发现，专有与开放权重多模态模型在静态拓扑推理上明显强于交互规划，且都远低于人类。它按连续性、分离、顺序、包围和绳结五类，测试静态场景问答，以及模拟环境中须维持或改变关系的动作规划。规划失败常在理解场景之后出现，模型失去对结构关系的追踪，或提出违反环境约束的动作。
Google DeepMind精选AI 评分7474 Google DeepMind 推出 SL2T 手语转文字模型并落地 Pixel 11
Google DeepMind 发布多语言手语转文字模型 SL2T，首次将手语 AI 带入 Gboard 和 Live Transcribe，从 ASL 到英语在 Pixel 11 上可用且无需额外付费。
推荐理由：原文给出 ASL 到英语的零样本 BLEURT 分数与隐私保护方案，读者可据此判断该功能在真实设备上的可用性与隐私边界。
Google Research精选AI 评分6565 AMIE 在专家级音视频临床咨询中取得进展
AMIE (Video) 在实时视频临床咨询中达到专家级表现，基于Gemini和Project Astra，采用异步三智能体架构。在100个场景、300次标准化咨询的随机OSCE研究中，其临床能力与执业医师持平，且在体格观察和指导方面评分更高。
推荐理由：演示AI在实时视频临床咨询中达到专家级表现，多智能体架构平衡了对话速度与临床推理。
Microsoft Research精选AI 评分6464 CARE-X介绍：面向临床有用的放射学视觉语言模型
CARE-X是微软研究介绍的胸部X光统一视觉语言模型，结合生成式报告与结构化预测并通过DAPO奖励对齐学习优化临床正确性。该模型在ReXVQA基准达到94%准确率，并在印度Narayana Health临床数据上验证了罕见ICU病理检测效果。工具增强测量实验显示，Qwen3-VL-4B-Instruct结合确定性计算工具后，测量依赖条件的F1平均提升43.6个百分点。
推荐理由：CARE-X通过联合训练生成与判别能力，在统一模型中实现灵活报告生成与校准预测，为放射学人工智能提供了可迁移的多任务优化方法。
MIT News · AI精选AI 评分6262 GeoPT：具备物理感知能力的AI模型可模拟更广泛的真实场景
MIT CSAIL与清华大学提出GeoPT预训练方法，通过130万组合成动力学样本让仿真模型获得物理直觉，在工业基准上达到峰值性能的速度提升两倍、所需标注数据减少60%。该方法在复杂3D形状、战斗机气动、船体波浪和汽车碰撞等场景中均优于现有模型，并成功泛化到未训练过的光传播模拟。
推荐理由：GeoPT用合成动力学预训练让仿真模型更快更省数据，为构建物理基础模型提供了可迁移的新范式。
Hugging Face Blog精选AI 评分7777 Meta 发布开源多模态模型 Muse Glimmer，面向本地智能体场景
Meta 发布 30B 参数多模态模型 Muse Glimmer，由 Muse 蒸馏而来，采用 Apache 2.0 许可，面向本地智能体场景。
推荐理由：原文给出 30B 多模态模型在同级开放模型中的基准对照，可据此判断本地智能体方案与部署路径的选型空间。
Google DeepMind精选AI 评分7676 WeatherNext AI 模型在气旋预报上实现突破，预测精度平均提前一天
Google DeepMind 发布 WeatherNext 模型，在气旋路径、强度和风场预测上平均比前代多出一天预报精度，相当于十年气象进展。该模型已在 Nature 发表论文，并在 2025 年飓风季帮助 NHC 对 Hurricane Melissa 做出历史性预报。
推荐理由：该模型在气旋路径、强度和风场预测上平均多出一天预报精度，相当于十年气象学进展，并已开源模型与代码供研究社区使用。
Mistral AIAI 评分5959 Mistral AI 发布 3B 开源多模态安全分类器 Shieldstral
Mistral AI 发布 Shieldstral，一个 3B 开源权重多模态安全分类器，以 Apache 2.0 许可开放下载。它把内容审核建模为推理时传入纯语言策略的问答任务，无需重新训练即可适配新策略，在文本安全上匹配最高 7 倍规模的开源 guard 模型，并在多模态审核上刷新 SOTA。模型可在单张 16GB NVIDIA GPU 上运行。
MIT News · AI精选AI 评分6262 医疗 AI 辅助诊断的效果因用户专业水平而异
MIT 与斯坦福等机构的研究发现，AI 辅助虽提升非专家和临床医生诊断皮肤病的准确率，但可解释性方法的影响因用户知识水平而异。非专家倾向于遵从 AI，尤其信赖 LLM 生成的解释，即使解释有误；临床医生则能抵抗错误解释，仅凭模型预测表现最佳。研究建议在设计医疗 AI 时应考虑用户差异，避免过度依赖模型。
推荐理由：同一解释对非专家与临床医生效果相反，提示医疗 AI 应按用户知识水平差异化设计解释方式。
Google DeepMind精选AI 评分6666 Gemini Robotics ER 2 发布：赋能机器人视频理解、任务编排与多机器人协作
Google DeepMind 发布 Gemini Robotics ER 2，具身推理模型，在视频理解与任务编排上较 ER 1.6 实现显著升级，并支持多机器人协作。
推荐理由：Gemini Robotics ER 2 在视频理解与任务编排上较 ER 1.6 实现显著升级，支持多机器人协作与实时推理，为物理世界中的具身智能提供了新的能力基准。
Google DeepMind精选AI 评分6464 Gemini Robotics 2 带来机器人的全身体智能
Google DeepMind 发布 Gemini Robotics 2，包含三款模型分别实现全身体控制、具身推理与设备端适配。该模型可控制人形机器人完成行走、蹲伏、灵巧操作等复杂任务，ER 2 已在 Google AI Studio 和 Gemini Enterprise Agent Platform 开放预览，VLA 与设备端模型面向早期合作方开放。
推荐理由：Gemini Robotics 2 首次实现全身体控制、灵巧操作与多机器人协作，并在设备上快速适配新机体形态，为通用物理 AI 提供了新的能力基线。
Vector InstituteAI 评分3333 Mixture-of-Experts：从稀疏路由到多模态部署
MoE 模型通过路由器为每个 token 动态选择少量专家子网络激活，在增加总参数的同时保持每 token 计算稀疏。文章首先解释路由决策、负载均衡与训练中 specialization 的形成机制，随后报告了在 4 张 A100 GPU 上微调 350 亿参数多模态 MoE 的经验，涵盖 5 种失败的 sharding 方案、最终成功的方法，以及按层路由审计揭示的音频、视频与文本容量分配。
ScienceDaily · AIAI 评分3434 MIT 新型 lidar 芯片可为自动驾驶汽车提供更宽视野
summary_zh: MIT 研究人员开发出一种基于硅光子学的 lidar 芯片，通过集成天线阵列大幅降低串扰，实现更宽视野和更低噪声。该设计采用三种不同几何形状的天线，使其在紧密排列时仍能保持一致的发光特性。
Hugging Face BlogAI 评分5050 DharmaOCR 在巴西葡萄牙语 OCR 上超越 Mistral OCR4 和 Unlimited-OCR
DharmaOCR 通过领域专精与两阶段训练（监督微调 + DPO），在巴西葡萄牙语基准上得分 0.925，显著高于 Mistral OCR4 的 0.798 与 Unlimited-OCR 的 0.7587。监督微调将参数集中于巴西葡萄牙语的词汇、句法与文档结构，DPO 阶段则降低推理时的退化率与不稳定输出。两阶段缺一不可：微调建立领域能力，DPO 确保该能力在生产条件下稳定。
Google DeepMindAI 评分3838 Google DeepMind 与 Isomorphic Labs 联合推进 bioresilience 计划
Google DeepMind 与 Isomorphic Labs 发布 bioresilience 联合方案，通过预防、检测、响应三方面应对生物安全威胁。AlphaFold 映射近所有已知蛋白质三维结构，AlphaGenome 揭示基因组功能，IsoDDE 提供药物设计真实精度。AlphaEvolve 优化宏基因组测序算法以更快检测新疫情，SynthID 水印技术正适配生物序列筛查。
Meta Engineering · AIAI 评分3838 Meta 探索分层兴趣表征以优化广告深度漏斗
Meta 提出分层兴趣表征（Hierarchical Interest Representation），作为广告系统的上游表征层，基于数十亿交互数据端到端训练。
Together AI精选AI 评分7575 Thinking Machines Lab 发布多模态推理模型 Inkling，Together AI 首日上线
Thinking Machines Lab 发布 Inkling，Together AI 在发布当日将其上线至 Serverless 推理平台。Inkling 是 975B 总参数、40B 活跃参数的混合专家模型，支持 1M 上下文、接受文本、图像和音频输入并输出文本，提供可控推理强度设定，并在科学推理、数学、代码、预测等任务上进行了后训练。
推荐理由：原文给出 Inkling 的参数规模、上下文长度和可控推理设定，开发者可据此评估它在推理深度与 token 开销之间的平衡。
Hugging Face Blog精选AI 评分6565 Thinking Machines 发布 Inkling 多模态开源模型
Inkling 由 Thinking Machines 发布，是一个原生接收图像、文本和音频输入的大规模多模态开源模型，总参数约 1T、活跃参数 41B，支持 1M 上下文窗口。
推荐理由：Inkling 是原生接收图音文三模态的大规模开源模型，提供 BF16 与 NVFP4 双版本及 day-0 支持的推理引擎，读者可据此评估其在多模态推理基准中的相对位置。
Google ResearchAI 评分5959 SensorFM：用万亿分钟无标注数据训练通用可穿戴健康基础模型
SensorFM 是一个大传感器基础模型，基于超过一万亿分钟、来自五百万参与者的无标注多模态可穿戴数据预训练，在心血管、代谢、睡眠和心理健康等35项判别任务上泛化，且通过 Agent classroom 可自动构建预测头。
Hugging Face BlogAI 评分4242 PRX Part 4：数据策略详解
summary_zh: PRX 团队公开了其预训练数据策略：从公开与内部数据集混合采集图像数据，用 VLM 重新标注，并以长caption 保证描述完整。流程上使用 Lance 做特征工程与数据集构建、MDS 格式流式读取；文本编码器切换至 Qwen3-VL 后改为训练时实时计算 latent，仅带来约 3–4% 吞吐量开销；图像统一以质量 92 的 JPEG 编码。
Berkeley AI ResearchAI 评分2525 2026 BAIR 研究生毕业展示
summary_zh: BAIR 2026 届博士毕业生涵盖机器人与具身智能、大语言模型与推理、计算机视觉、生成式建模、AI 安全、人机交互、AI for Science 等方向。
Google DeepMind精选AI 评分6969 Google DeepMind 发布 Nano Banana 2 Lite 与 Gemini Omni Flash
Google DeepMind 发布两款生成模型，Nano Banana 2 Lite 面向高吞吐的快速出图，Gemini Omni Flash 面向高质量视频生成与对话式编辑，均已上线 Google AI Studio、Gemini API 和 Gemini Enterprise Agent Platform。
推荐理由：Nano Banana 2 Lite 每张 1K 图 0.034 美元、Omni Flash 每秒视频 0.10 美元，读者可据此比较两款模型在图像与视频环节的成本取舍。
ScienceDaily · AIAI 评分2828 ICCUB 团队提出 CIGaRS 框架，利用 Ia 型超新星成像数据研究暗能量
巴塞罗那大学 ICCUB 团队在 Nature Astronomy 发表 CIGaRS 框架，通过模拟基推断（simulation-based inference）从 Ia 型超新星成像数据中提取宇宙学和天体物理信息，精度可比光谱红移测量，且能同时分析数万颗超新星。
InterconnectsAI 评分4444 开放模型生态持续扩展：Zyphra、Cohere 与 Poolside 发布新模型
Zyphra 发布 ZAYA1-74B-preview 与 8B-A0.6B MoE，在 AMD GPU 上训练。CohereLabs 发布 command-a-plus-05-2026-bf16，旗舰 Command A+ 改为 Apache 2.0 许可。Poolside 将 Laguna-M.1 置于 Apache 2.0 下，并承诺开放权重为默认。
Together AI精选AI 评分6666 ParallelKernelBench：前沿大语言模型尚不能编写高效多GPU内核
Together AI发布ParallelKernelBench（PKB）开源基准，包含87个来自真实代码库的多GPU内核生成问题，要求模型用CUDA内核替代PyTorch+NCCL并通过NVLink直接通信。
推荐理由：基准揭示前沿模型在多GPU内核生成上正确率与速度优势均有限，为分布式优化研究提供了可复现的测试平台。
Google ResearchAI 评分3535 Google Earth AI 发布 Farmscapes 高分辨率向量化乡村生态地图
Google Earth AI 发布 Farmscapes 向量化数据集，将英国 130,000 km² 高分辨率卫星影像中的树篱、石墙和林地转为可操作矢量清单。基于 RSF ViT 骨干（预训练于 3 亿+全球卫星图）微调，结合亚米影像与 1 米 LiDAR 双层标注，用 Polsby–Popper 紧凑度得分区分林地（≥30 米直径）、树丛与线性植被。
Google ResearchAI 评分4343 Google Research 探索 AI 辅助用户理解皮肤状况
Google Research 发布 JAMA Dermatology 论文，2,345 名参与者测试 AI 皮肤状况辅助工具。AI 组命名准确率 23%，较对照组 8% 提升近三倍；Wizard of Oz 组达 36%。但下一步医疗决策准确率提升有限，AI 组略更倾向建议非紧急处理。
ScienceDaily · AIAI 评分5656 香港大学团队展示可在近绝对零度运行的类脑芯片
香港大学研究团队在 SiC MOSFET 中实现负微分电阻效应，首次在 10mK 下用单晶体管复现生物神经元的高效脉冲活动。该芯片可集成于量子处理器附近，大幅降低低温系统热负荷，并有望用于深空探测。相关论文发表于 Nature Communications。
Google DeepMind精选AI 评分6161 Gemini 3.5 Live Translate：流畅自然的语音翻译
Google DeepMind 发布 Gemini 3.5 Live Translate 音频模型，支持 70+ 语言实时语音到语音翻译，保留说话者语调与节奏。模型通过 Gemini Live API、Google Meet 和 Google Translate 开放，Android 端新增收听模式。
推荐理由：Gemini 3.5 Live Translate支持70+语言连续翻译，保留说话者语调，开发者可通过Live API和Google Translate接入。
Google DeepMind精选AI 评分7373 Google DeepMind 发布 Gemma 4 12B 统一无编码器多模态模型
Google DeepMind 发布 Gemma 4 12B，一款面向笔记本的 12B 多模态模型，采用无编码器架构，视觉和音频输入直接进入 LLM 主干，16GB 显存或统一内存即可本地运行。
推荐理由：无编码器架构把视觉与音频直接接入 LLM 主干，读者可了解端侧多模态模型在显存与延迟上的取舍。
Sebastian RaschkaAI 评分1616 LLM 研究论文清单：2026 年 1 月至 5 月
summary_zh: Sebastian Raschka 整理了 2026 年 1 月至 5 月他标记的 LLM 研究论文清单，涵盖架构与模型设计、高效训练与推理、稀疏注意力与长上下文、推理与测试时计算、强化学习、智能体系统、编码智能体、扩散语言模型及评测基准等类别。
Google Research精选AI 评分6666 Google Research发布PHRM系统：通过智能手机摄像头实现被动心率监测
Google Research在Nature发表PHRM研究，通过智能手机前置摄像头在日常使用中被动监测心率，跨肤色MAPE<10%，RHR估计MAE<5bpm达到可穿戴设备精度。研究基于35万+视频片段和近700名多样本参与者，覆盖浅色到深色皮肤群体，并公开了最大规模智能手机视频数据集及预训练PHRM-mini模型供合格研究者申请。
推荐理由：PHRM在大规模日常使用中实现跨肤色符合行业标准的心率监测，MAE低于5bpm的RHR估计达到可穿戴设备水平，为智能手机被动健康追踪设立了新基准。
Together AI精选AI 评分7373 MiniMax M3 发布：1M 上下文与原生多模态及高效推理实践
MiniMax 发布 M3，Together AI 作为首选云伙伴支持其生产级部署。M3 支持 1M token 上下文、原生多模态与智能体工作流，采用 MiniMax Sparse Attention 实现 prefill 加速 9 倍、decode 加速 15 倍以上。
推荐理由：原文展示了稀疏注意力与多模态预处理的工程细节，读者可据此评估长上下文与多模态场景下的推理优化路径。
Mistral AIAI 评分3636 Mistral 收购 Emmi AI：Physics AI 研究推动工业工程前沿
Mistral 收购 Emmi AI，宣布加码 Physics AI，覆盖航空航天、汽车、半导体与能源领域。已发布多项突破，包括 3D 机翼跨声速 CFD 数据集、GyroSwin 5D 代理模型、AB-UPT 支持 140M 体素单 GPU 推理，以及 NeuralDEM 端到端多物理场代理模型，部分成果已开源。
ScienceDaily · AIAI 评分3131 宾大突破：光-物质粒子（激子极化激元）驱动 AI 计算
宾大物理学家 Bo Zhen 团队开发出激子极化激元（exciton-polariton），实现全光开关，仅耗约 4 皮焦耳能量。传统光子芯片在非线性激活步骤需光-电转换，而该技术可避免这一瓶颈，有望降低大 AI 系统的能耗并支持未来芯片上的量子计算功能。