Microsoft Research 开源智能体训练框架 Orchard，核心是基于 Kubernetes 的可复用环境服务 Orchard Env，支持在 Codex、OpenClaw、ZeroClaw 等真实部署 harness 中直接训练智能体，并同步发布训练数据与评测方法。
推荐理由：环境层与三套训练配方一并开源，读者可以据此判断小参数模型在真实 harness 中训练能达到什么水平。
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。
Google DeepMind 的新一代音乐生成模型 Lyria 3.5 今日在 Google Flow Music 上线，在音乐性、歌词、人声和创作控制四方面升级。它能生成更复杂自然的旋律结构，产出提示词遵循和结构意识更好的歌词，人声更真实且情绪更细腻、发音有所改进，同时支持更方便地控制输出的节奏与时长。
Berkeley 研究团队为 K-Search 增加 MLX 后端与结构化 CUDA-to-MLX 翻译层，让已有 CUDA 内核适配 Apple Silicon，在 Apple Silicon 上达到接近专家级性能。
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。
Berkeley AI Research 提出 ABBEL 框架，用自然语言信念状态取代完整交互历史作为智能体工作上下文，并通过信念评分监督摘要内容。
Google 承诺为 Genesis Mission 提供价值 $40M 的 AI token 与额度，用于加速科学发现的前沿探索。该投入以模型 token 和产品额度的形式给出，是官方渠道发布的一则简短公告。
Google DeepMind 发布三款 Gemini Flash 系列新模型，主打规模化构建 AI 智能体所需的效率与低延迟。
推荐理由：同一 Flash 家族三款模型一次发布，含定价与逐项基准对照，便于直接评估迁移成本。
Google DeepMind 发布轻量网络安全模型 Gemini 3.5 Flash Cyber，基于 Gemini 3.5 Flash 微调，用于快速发现、验证并修补漏洞。
Google DeepMind 与 Isomorphic Labs 公开联合生物韧性方案，过去 12 个月推进超过 15 项与政府机构、生物安全组织和研究团体的合作，并向受信伙伴开放 AI 模型与智能体，覆盖预防、检测、响应三方面。
Google DeepMind 推出由 Gemini 驱动的 Web 应用 ATL Saathi 实时试点，为印度 Atal Tinkering Labs 教师提供 24/7 备课与培训助手，首批覆盖 100 所试点学校。
Berkeley AI Research：近零推理成本将为数据系统带来三类挑战——面向 Agent、由 Agent 管理、由 Agent 合成。GPT-4 级能力每百万 token 成本从约 $30 降到不足 $1，推理价格每年下降 9x 到 900x。80-90% 子查询为重复工作，但更多 agent 尝试可显著提升任务成功率。
Google DeepMind 与 A24 宣布一项以研究为核心的首创性合作，帮助创作者开发新的工作流与技术，让未来工具由使用它们的人来塑造。双方将围绕多个项目展开长期研发协作，A24 及其电影创作者可直接参与技术塑造，Google DeepMind 则获得来自一线艺术家的反馈与指导。
BAIR 庆祝 2026 届博士毕业生，研究覆盖机器人与具身智能、大语言模型与推理、计算机视觉、生成模型与 AI 安全等领域。毕业生将走向教职与博士后岗位、业界研究实验室和自创的初创公司，其中 Hanlin Zhu 将加入 OpenAI，Charlie Snell 将加入 Physical Intelligence。
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。
Google DeepMind 宣布 computer use 成为 Gemini 3.5 Flash 的内置工具，此前它只作为独立的 Gemini 2.5 computer use 模型提供，现在已原生集成进主打的 Gemini Flash 模型。
推荐理由：原文说明了功能从独立模型到内置的路径和两项可选企业防护，读者可据此评估接入与安全权衡。
Google DeepMind 与英国政府、Google Cloud 等合作，基于 Gemini 开发 AI 规划审批原型，目标把房主规划申请的决策时间缩短 50%。
Google DeepMind 发布 AI Control Roadmap 框架，用纵深防御方式管理内部部署的先进 AI 智能体，并同步发布面向政策制定者的技术框架 Three Layers of Agent Security。
推荐理由：原文给出把不可信智能体视作内部威胁的整套做法，以及按模型能力分级的检测与响应指标，对建设智能体安全体系有直接参考价值。
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。
Google DeepMind 联合 Schmidt Sciences、Cooperative AI Foundation、ARIA 与 Google.org 启动最高 $10M 的技术研究资助，面向全球研究人员征集大规模多智能体 AI 系统安全研究提案。
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。
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。
Google DeepMind 启动为期 3 个月的 Google DeepMind Accelerator: Robotics 项目，从欧洲选拔出 15 家早期机器人初创公司加入。
Google DeepMind 公布了在塞拉利昂开展的 Guided Learning 预注册试验结果，使用该工具的学生数学成绩比对照组提高 0.258 个标准差，八周内约合 1.2 到 1.7 年的常规学习进展。
推荐理由：一次预注册试验给出了 AI 辅导的效应量与真实使用率数据，可作为评估教学效果的量化参照。
Google DeepMind 启动首届亚太 Accelerator 项目，聚焦「AI for the Planet」，面向该地区的初创公司、研究团队和非营利组织，用前沿 AI 解决自然、气候、农业、能源等领域的问题。
Google DeepMind 介绍其 Co-Scientist 帮助生物学家 Omar Abudayyeh 和 Jonathan Gootenberg 的实验室加速细胞衰老研究：它扫描数万篇论文后提出 20 多个新颖的候选基因因子，实验室测试验证了其中数个假设，其推荐的因子成功让细胞进入更年轻、整体功能改善的状态。同时它把大型基因筛选数据结合多年分散文献的分析工作从最长六个月缩短到几天。
Google DeepMind 为 Project Genie 新增 Street View 影像锚定能力，并将其逐步开放给全球符合条件的 Google AI Ultra $200 订阅者（18+）。
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。
Google DeepMind 发布 Gemini for Science，在 Google Labs 上线三款实验工具并开始逐步开放注册：Hypothesis Generation 基于 Co-Scientist 用多智能体“想法锦标赛”生成并互相评审假说。
Google DeepMind 宣布在 Search、Gemini、Chrome、Pixel 和 Cloud 扩展内容透明与验证工具，SynthID 已为超过 1000 亿张图片和视频、60,000 年音频加水印。
推荐理由：原文列出 SynthID 的水印覆盖规模与各产品的验证入口，读者可据此判断内容溯源已落地到哪些日常场景。
Google DeepMind 启动新加坡新一轮国家 AI 合作项目，覆盖医疗与生命科学、教育、可持续发展及负责任 AI，作为 Google 与新加坡政府 National AI partnership 的关键支柱。
剑桥大学教授 Clare Bryant 使用 Google DeepMind 的 Co-Scientist 生成并排序研究假说，锁定了一个此前不在她视野中的蛋白及与其关联的多条信号通路，其团队正在构建含该氨基酸突变的细胞系来验证这些细化后的假说。
Calico Life Sciences 的 Matt Onsum 与 Katherine Labbé 使用 Co-Scientist 连接衰老生物学中分散的发现并生成可检验的假设，已就 integrated stress response（ISR）如何受代谢调控产出新发现，团队计划发表结果。
Google DeepMind 介绍爱丁堡大学生物工程师 Filippo Menolascina 团队用 Co-Scientist 检索文献并生成假说，其中把 NLRP3 inflammasome 认定为 MASH 中连接炎症与代谢的分子桥梁的假说随后经实验验证。
Google DeepMind 的 Co-Scientist 帮助 MIT 的 Ritu Raman 快速梳理 ALS 领域庞杂且相互矛盾的文献，把原本需数月的工作压缩，并将想法转为可检验假设、按可行性和风险回报排序研究方向。
斯坦福大学医学院遗传学家 Gary Peltz 团队借助 Google DeepMind 的 Co-Scientist 从现有药物文献中筛选可重定位用于肝纤维化的药物，研究发表于 Advanced Science。
Berkeley AI Research 发布长文综述自适应并行推理（APR），分析让模型自行决定何时分解子任务、开多少并发线程、如何协调线程的研究进展。
GRASP 是一种新的基于梯度的规划器，让基于学习动力学的世界模型的长时域规划变得可行。它通过把轨迹提升到虚拟状态实现跨时间并行优化、在状态迭代中加入随机性用于探索、并重塑梯度让动作获得干净信号而避开高维视觉模型中脆弱的 state-input 梯度。该方法针对的痛点是长时域 rollout 中 Jacobian 条件数随时间 T 指数恶化导致的梯度爆炸/消失，以及非贪心结构造成的坏局部极小值。
Berkeley AI Research 在 NeurIPS 2025 论文中提出一个按信息含量直接评估和优化成像系统的框架。该信息指标在彩色摄影、射电天文、无透镜成像和显微四个领域都能预测解码器性能，优化它得到的设计匹配端到端方法，同时更省内存和算力、无需任务特定解码器设计。互信息仅从含噪测量与噪声模型直接估计，且是真实信息量的上界。
Berkeley AI Research 介绍一种以分治（divide and conquer）取代 TD learning 的 off-policy 强化学习价值学习方法：把轨迹切成等长两段组合价值，Bellman 递归次数可从线性降为对数级。作者与 Aditya 共同主导的近期工作已把该方法扩展到 goal-conditioned RL 等复杂任务。