Gemini Decisions API 发布,基于 Gemini Decision 1 实现快速多模态判断
Gemini Decisions API 正式发布,依托新的 Gemini Decision 1 模型,可在一次前向传播中评估多达 1000 个是/否、多选及评分问题,并直接处理文本、图像、音频、视频和 PDF 等混合多模态输入。
Gemini Decisions API 正式发布,依托新的 Gemini Decision 1 模型,可在一次前向传播中评估多达 1000 个是/否、多选及评分问题,并直接处理文本、图像、音频、视频和 PDF 等混合多模态输入。
新论文指出,AI Slop 并非存在于内容本身,而是社区判定某些 AI 生成内容为不受欢迎时产生的社会判断。 通过这种方式研究 "slop",实际上可以对其进行测量和治理。
Google DeepMind 发布下一代 DNA 序列模型 AlphaGenome 2,该模型通过条件化架构实现了对数百种人体细胞类型的基因表达预测。AlphaGenome 2 在识别改变基因表达的变异方面性能显著提升,在 TenK10K 数据集上发现的因果变异比例从 16% 提升至 30%。
推荐理由:新架构将基因变异预测从组织平均扩展到单个细胞类型,为定位复杂疾病关键变异提供更高精度工具。
谷歌 DeepMind 发布新一代 DNA 序列模型 AlphaGenome 2,相比此前的最优模型能识别出近两倍数量的、可改变细胞内基因表达的变异。
Gemini 4 Carbon 已向付费开发者开放 API,新增网络安全能力并预览 /swarm 多智能体模式。Anthropic 推出 Claude Sheets、Whiteboards 和交互式连接器,允许用户在应用内直接构建电子表格和仪表盘。
OpenAI 任命的专家团队已验证其 AI 生成的量子 Yang-Mills 存在性证明。为避开此前单日发布 700 余条 AI 证明的“内容倾泻”,公司邀请理论物理学家 David Gross 领导委员会监督该证明的发布过程。
DeepL 发布名为 Aure 的语音模型,使 DeepL Voice 在实时翻译中保留说话人的语气、情绪、重音和语速。该模型持续分析翻译文本与原始音频,并在训练时分离声音身份、语音旋律与内容以便独立转移,同时用强化学习去除口音。
Google DeepMind 用四个月完成了对 Signal 关键部分的数学验证。该项目暗示人工智能可以让形式化验证变得更加实用。
DeepL 推出旗下最具动态感的语音 AI 翻译模型 Aure,能够实时复现说话者的语气起伏、情绪流转及重音强调。该模型建立在声音保留技术之上,已支持 DeepL Voice 网页会议版、面对面交谈版及语音 API,首发覆盖英语、德语、法语等 8 种语言。
Adobe 在 Max 大会上发布 Project Screen Test、Sight Span、Sound Bender 和 Rinse Repeat 等 AI 实验预览。
美国国家飓风中心(NHC)自 2025 年 6 月起在业务中引入 DeepMind AI 模型,其预测准确度平均提前一天,曾在飓风伊萨亚斯形成前一周识别其发展可能。
作者使用48个AI代理分析覆盖1200平方公里丛林的NASA Lidar数据,在墨西哥发现一处疑似未登记的玛雅经典时期中心遗址,包含广场、金字塔和庭院。墨西哥国家人类学与历史研究所(INAH)确认该位置无已注册考古记录,作者提交了报告并协助后续实地核查,展示了AI代理在非编程领域的通用探索能力。
推荐理由:作者分享了如何用AI代理分析公开Lidar数据并在墨西哥发现疑似未记录玛雅遗址的完整过程,展示了通用型Agent在跨学科探索中的实际潜力。
谷歌正式向开发者、企业和科研工作者开放其最新模型 Gemini 4 Carbon。在 CursorBench 4.0 等测试中排名第一,在 Artificial Analysis 测试中位居第二,主打网络安全与长程 Agent 工作流。API 输入价每百万 Token 暂定为 2 美元,输出 10 美元。
Microsoft 正式为 Xbox Ally X、Ally X20 及特定 Copilot+ PC 发布了 Automatic Super Resolution。
Alterra Labs 完成 1250 万美元种子轮融资,由 Oak HC/FT 领投,用于构建模拟医疗环境让临床医生设计任务并评估模型。 CEO 指出当前模型虽能操作临床软件,但不知何时不应为患者行动,Stanford 的 PhysicianBench 也证实了这一差距。
Reddit 推出 Reddit Reviews,利用 AI 分析 10,000 款产品的社区讨论。 该功能涵盖电子、美妆、家居及服饰四大类目。 其旨在将真实用户推荐转化为购物入口,与专业评测站点竞争。
Google Cloud 推出 Gemini for Healthcare,该产品可对接医院与保险公司现用的病历、结算和保险系统并进行跨系统操作。它能够将 Epic 等系统的患者记录合并成摘要,标记信息冲突,生成事前授权申请,查询医保覆盖和自付费用,并从 ASCO 和 BMJ 检索临床指南。
Google 宣布 Gemini 4 Carbon 正式可用。它定位于 Gemini 4 Argon 之上,通过消耗更多 token 的深层推理和验证循环来处理多步编码和开放式科学问题。
软件开发者西蒙·威利森借助 Claude Code 开发了名为 Beep Locator 的声音定位系统,可将声源锁定至约 40 厘米范围。该系统通过五台移动设备网页调用麦克风,利用时间差和快速傅里叶变换分析声音频率,最终在储物室中找到一个一氧化碳探测器。项目代码已公开在 GitHub 上。
研究显示,让25个大语言模型各生成50个时间隐喻,结果高度集中于河流和织工。基于28项研究和8214人的数据表明,使用AI提升了个体创意质量(g=+0.27),但降低了创意多样性(g=-0.86)。文章指出偏好训练是导致多样性下降的原因,而采用多样性感知目标可以恢复约75%的丢失多样性。
Nature Human Behaviour 发表了一项针对 487 名管理顾问的随机对照试验。试验显示,使用 ChatGPT 辅助完成数据科学任务的受试者得分显著高于对照组,但表现不及专业数据科学家。
亚马逊 Ring 宣布扩展 Ring Robotics 产品线,推出家庭用飞行摄像头 Drone Cam 和商业场所用轮式机器人 Rover Cam。两者均搭载 AI Pilot 系统实现自主导航,Drone Cam 售价 249.99 美元,Rover Cam 售价 999.99 美元。
Nuance Labs 发布首个 AI 人格 Emma,一个由白人及亚裔研究团队创建的黑色女性数字形象,旨在贴近医疗受众。 批评指出其设计存在文化误读,如半长辫被视为凌乱,且对话中关于发质的回应缺乏文化敏感性,引发对“数字黑脸”问题的讨论。
研究对语音转SFT流水线进行因子消融,验证各阶段边际价值。 基于2x2设计生成韩医金融QA数据,微调9个LLM(2.4B-70B)。四项LLM评判显示质量提升,但MCQA增益不显著。正向迁移集中于匹配模型-领域对。 6名专家确认全流程质量更高。Whisper-medium替换验证鲁棒性。开源代码及检查点。
Walrus 是一个基于 Gemma 4 初始化的 8B 统一语音与音频基础模型,支持 ASR、翻译、TTS 等 20 多项任务及 100 种语言。 该模型采用数据为中心的训练策略,通过三阶段课程学习平衡不同任务,预测低比特率离散语音 token 并由轻量解码器转波形。 在多数多语言、多说话人基准上领先同级开源模型及专用模型,性能匹配或超越 4 倍大小的 Qwen3-Omni。
AVCC是一个31小时的单摄像头单麦克风视觉语音对话语料库,用于多方下一位说话人预测(NSP)公开基准。 该语料库包含双人和三人在线对话,带有词级强制对齐转录文本,并新增了一个说话人不相交的七段视频测试划分,包含865个保持静默和865个切换静默事件,以及在相同事件上收集的人类参考基准。
Alania-2 是一款 488M 参数的土耳其语 TTS 系统,支持即时与微调语音克隆。 该模型基于 18,195 小时音频训练,在 Freya-TR-Eval 基准上词错误率为 1.44%,推理首音频延迟降至 32ms。 团队开源了评估框架及三个土耳其语音和文本数据集。
提出基于多LLM基准的IFRS合规验证框架,构建含19,998条监管披露对的基准测试集。 集成分类器在分歧集上达到81.7%加权F1值,超出最强单LLM 10.4个百分点。 数据集、模型检查点及分类器实现将公开发布。
提出 TimeOmni-o1 模型,通过双向耦合预训练时序基础模型(TSFM)与大语言模型(LLM),实现同一架构对时序与文本的读取及生成。该模型利用 TSFM 压缩编码时序供 LLM 结合文本推理,并将 LLM 推理结果反馈给 TSFM 生成条件预测。模型在包含 50 万+ 样本的 12 领域多模态数据集 MMTR 上,优于单独使用的 LLM、TSFM 及其他专用时序模型。
summary_zh: 研究指出,Thyme 和 DeepEyesV2 等多模态智能体在引入工具调用后,并未带来一致的整体性能提升,也未可靠降低生成 Token 成本。
PaGeR 框架通过混合视角与全景图像训练,在单次前向传播中统一预测尺度不变深度、度量深度、表面法线及天空掩码。该策略保持底层预训练 Transformer 架构变更最小化,保留丰富的 3D 先验,实现了几何一致的 360 度场景重建。PaGeR 在室内外环境中表现出 SOTA 性能及优秀的零样本泛化能力,代码与模型已开源。
AnyMo 提出感知几何的设置无关框架,通过物理基础 IMU 模拟生成合成信号,预训练图编码器并与 LLM 对齐,实现野外人体运动建模。 在零样本活动识别、跨模态检索和可穿戴 IMU 运动描述任务中,AnyMo 平均 Accuracy/F1/R@2 提升 11.7%/11.6%/22.6%,零样本 IMU-文本检索 MRR 提升 15.9% 和 28.6%。
研究团队推出 DermaVQA-DAS 数据集及 Dermatology Assessment Schema (DAS) 架构,支持患者自产皮肤病图像的闭式问答与皮损分割,包含 36 个高层级和 27 个细粒度评估问题。
论文提出 Pygmalion Effect in Vision 框架,通过图像到黏土翻译处理反射对象,利用 BRDF 反射分支与黏土引导分支共享几何但独立渲染的设计,在合成及真实数据集上同步提升几何与光度指标。 该框架引入“去光化”归纳偏置,将辐射度转化为中性指导,为反射对象几何学习提供无反射几何辅助,已被 NeurIPS 2026 接收。
提出基于图注意力的去中心化 Actor-Critic(GADC)方法,优化多无人机系统双目标:最大化服务覆盖为主,延长电池寿命为辅。 利用图注意力网络处理有限局部观测以降低环境状态维度,并采用 KL 散度因子平衡覆盖性能与电池寿命的权衡。 在理想设置及 NVIDIA Sionna 实时射线追踪环境中测试,GADC 相比 SOTA 方法表现更优,验证了其可扩展性与效率。
Einstein World Models 提出一种 LLM 推理框架,允许模型在推理过程中调用世界模块生成视觉时间线滚动,以支持超越语言限制的反事实思考。 该框架将视觉输出视为可检验的假设而非直接答案,扩展了 LLM 的工具调用能力至视觉思维实验领域。
适配 DINOv2 基础模型在外部数据集上泛化优于从头训练的 U-Net 和 ResU-Net。 训练分布内任务特定模型边界更精准,基础模型易漏检小病灶,所需适配容量由成像领域决定。 跨站点应用时需适配基础模型,容量应针对目标领域选择。
研究者提出结合学生-教师训练与 EM-DETR 框架,通过整合异构医疗图像数据集构建跨模态病灶检测基础模型,以缓解灾难性遗忘并提升泛化能力。 在胸片(CXR)中,该模型图像级 AUC 超先前 SOTA 1%,mAP50 比单数据集训练 EM-DETR 高 2-3 点,同样领先于乳腺影像组。 此方法为利用异构数据构建可扩展、高鲁棒性的医疗影像基础模型提供路径。
研究形式定义了神经网络的基本表征单元(FRU),并证明阈值激活稀疏自编码器(TSAE)能在高保真度与稳定性条件下识别 FRU。 高稳定性 FRU 表现出更强的单语义性,且可跨层组合以恢复对应人类概念结构的语义组织。 该工作为定义、评估和识别 FRU 提供了统一框架,奠定了解释神经网络内部表征与人类概念结构关系的基础。
该研究提出LASER智能体,利用预期引导机制解决视频中物体状态读取问题。模型将预期变化转化为视觉问题,检视当前帧确定属性值,并校验状态记录。模型参数全程冻结,通过修订文本观察技能提升表现。 在OSCaR和PLM RCap数据集上,LASER相比基线实现一致性能提升。