跳到正文
只看模型#Google
  1. Google DeepMind80

    Google DeepMind 发布前沿模型 Gemini 4 Argon

    Google DeepMind 发布前沿模型 Gemini 4 Argon，输出 token 上限从 64K 提升至 1M，介绍价为每百万输入 token 2 美元、输出 10 美元，缓存输入按输入价 95% 折扣。

    推荐理由：文章给出 1M 输出 token 与分阶段放量的思路，读者可据此判断长程任务能力如何与安全节奏配套。

  1. Google DeepMind70

    Google DeepMind 发布 Gemini 3.8 Flash TTS 与 Flash-Lite TTS 两款语音生成模型

    Google DeepMind 推出 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 两款文本转语音模型，支持用自然语言提示词从零生成角色声音，并逐行控制表演提示、节奏、口音变化与接话插话。

    推荐理由：文中给出 Hume AI 与 Voice Arena 的具体名次和分数，读者可据此判断这两款 TTS 相对现有方案的水平。

  1. Google DeepMind74

    Google DeepMind 发布 Gemini 3.8 Live 与 3.8 Live Extended Thinking 语音模型

    Google DeepMind 发布两款实时语音对话模型 Gemini 3.8 Live 与 Gemini 3.8 Live Extended Thinking，面向语音智能体带来近实时推理升级。

    推荐理由：两个版本的分工和基准分数写得很清楚，读者可以直接据此判断自己的语音场景该选哪一档。

  1. Google DeepMind73

    Google DeepMind 发布 WeatherNext 3，天气预报分辨率提升至 5 公里

    Google DeepMind 与 Google Research 发布 WeatherNext 3，据 Brightband 独立实时评测是迄今最先进准确的全球天气 AI 模型，每小时基于实时卫星数据生成一次预报。

    推荐理由：模型改为直接学习实时卫星与站点观测，读者可据此看清它与依赖 NWP 数据的前代模型在训练来源上的差异。

  2. Google DeepMind71

    Google DeepMind 发布 Gemini 3.8 Flash 与 3.8 Flash Cyber

    Google DeepMind 发布 Gemini 3.8 Flash 与 Gemini 3.8 Flash Cyber 两个新模型，均基于同一核心智能，定价与 3.7 Flash 相同，为 $0.75 per million input tokens 和 $3.75 per million output tokens。

    推荐理由：文中列出的多项基准成绩与每百万 token 定价，便于读者横向比较新模型的能力与成本。

  1. Google DeepMind69

    Google DeepMind 发布 Gemini 3.5 Transcribe 语音转写模型

    Google DeepMind 发布语音转写模型 Gemini 3.5 Transcribe，据 Artificial Analysis 测量其流式场景平均 WER 为 4.0%，非流式为 2.6%，最终转写耗时相比 Chirp 3 改善 70%，FLEURS 基准上流式与非流式 WER 分别为 5.50% 和 5.04%。

    推荐理由：原文给出流式与非流式的 WER 数据和相比 Chirp 3 的延迟改进，读者可据此评估它能否替代现有语音转写方案。

  1. Google DeepMind75

    Google DeepMind 发布 Gemini 3.7 Flash，主打编码与智能体的高性价比

    Google DeepMind 发布 Gemini 3.7 Flash，称其为面向编码与智能体的最强主力模型，发布价为 3.6 Flash 的一半，即每 1M 输入 token $0.75、输出 $3.75，优惠价持续到年底。

    推荐理由：距离 3.6 Flash 仅三周发布，价格降到一半且多项基准有两位数提升，可据此判断 Flash 系列的迭代节奏与成本变化。

  1. Google DeepMind69

    Google DeepMind 发布手语翻译模型 SL2T，落地 Gboard 与 Live Transcribe

    Google DeepMind 发布多语言手语到文本翻译模型 SL2T，首次将手语 AI 带入消费级产品，在 Pixel 11 的 Gboard 与 Live Transcribe 上提供 ASL 到英语的手语转文字听写，可用于搜索、撰写消息并向 Gemini 提问，后续将支持更多设备与语言。

    推荐理由：文中说明了手语翻译区别于语音转写的两大难点，以及用姿势坐标替代 gloss 的设计，便于理解方案取舍

  1. Google DeepMind72

    Google DeepMind 开源 WeatherNext 气旋预报模型，三天预报精度相当于以往两天

    Google DeepMind 在 Nature 发表论文并开源 WeatherNext Cyclones、WeatherNext 2 和 WeatherNext 2-mini 三个模型，单一模型在气旋路径、强度与风场结构预报上达到 SOTA 精度，平均比以往模型多出超过 24 小时的提前量，三天预报精度相当于旧模型的两天。

    推荐理由：文中说明了单一模型同时处理路径与强度的做法，并给出比以往多出一天以上预警时间的量化口径，便于判断其应用价值。

  1. Google DeepMind61

    Google DeepMind 发布 Gemini Robotics ER 2，支持视频理解、任务编排与多机器人协同

    Google DeepMind 发布 Gemini Robotics ER 2，这是它最强的机器人具身推理模型，作为机器人的高层大脑与人对话、理解物理世界并规划多步任务，再把动作执行交给底层 VLA 模型，且能原生调用 Google Search 等工具。

    推荐理由：原文给出了相对 ER 1.6 的评测数字与开放入口，读者可据此判断它在真实机器人工作流中的可用程度。

  1. Google DeepMind70

    Google DeepMind 发布 Gemini Robotics 2 系列模型，让机器人实现全身智能

    Google DeepMind 发布 Gemini Robotics 2 系列，包含三个模型：Gemini Robotics 2 视觉-语言-动作模型（VLA）可从脚到手指控制完整人形机器人与双臂机器人，Gemini Robotics ER 2 具身推理模型负责理解指令、规划多步任务，Gemini Robotics On-Device 2 则针对本地运行优化。

    推荐理由：三个模型分别对应全身控制、具身推理与端侧适配，读者可据此看清具身智能落地的分层架构。

  1. Google DeepMind73

    Google DeepMind 发布 Nano Banana 2 Lite 图像模型并开放 Gemini Omni Flash 给开发者

    Google DeepMind 发布图像模型 Nano Banana 2 Lite，并首次把视频生成与对话式编辑模型 Gemini Omni Flash 经 Gemini API 和 Google AI Studio 开放给开发者。

    推荐理由：文中给出两款模型的定位分工、单价和开放入口，读者可据此判断是否把现有图像与视频工作流迁移过去。

  1. Google DeepMind75

    Google DeepMind 开源实验模型 DiffusionGemma，文本生成提速最高 4 倍

    Google DeepMind 发布实验性开源模型 DiffusionGemma，用文本扩散方式一次并行生成整段文本，在专用 GPU 上文本生成速度最高提升 4 倍。

    推荐理由：把扩散式并行解码用到 26B MoE 文本模型上，讲清了本地低并发场景下速度与质量的取舍边界。

  1. Google DeepMind73

    Gemini 3.5 Live Translate 发布，支持 70+ 语言近实时语音翻译

    Google DeepMind 发布最新音频模型 Gemini 3.5 Live Translate，可自动检测 70+ 语言并连续生成流畅自然的译音，保留说话人的语调、节奏和音高，全程只落后说话人几秒。

    推荐理由：解释了连续生成与等待上下文之间的取舍，读者可据此理解近实时同传的延迟表现。

  2. Google DeepMind70

    Google DeepMind 发布 Gemma 4 12B：无编码器统一多模态模型

    Google DeepMind 发布 Gemma 4 12B，一款面向笔记本本地运行的无编码器统一多模态模型，16GB 内存或统一显存即可运行。其基准表现接近 26B MoE 模型但内存占用不足一半，视觉与音频输入直接进入 LLM 主干，并配备 Multi-Token Prediction（MTP）drafter 降低延迟，采用 Apache 2.0 许可。

    推荐理由：讲清了去掉多模态编码器如何降低延迟与内存占用，读者可据此判断本地跑智能体的可行性。

  1. Google DeepMind74

    Google DeepMind 发布 Gemini Omni Flash 视频生成模型

    Google DeepMind 发布 Omni 系列首个模型 Gemini Omni Flash，可将图像、音频、视频和文本任意组合作为输入来生成视频，并支持用自然语言多轮编辑且保持角色与场景连贯。

    推荐理由：原文写清了输入组合、对话式多轮编辑与分阶段开放节奏，便于判断它会怎样进入现有视频创作流程。

已经到底了