跳到正文

#模型/技术

今日 3 条
8月14日周五
8月12日周三
  1. Google DeepMind71

    Google DeepMind 发布手语转文字模型 SL2T，Pixel 11 的 Gboard 与 Live Transcribe 首发支持 ASL

    Google DeepMind 发布多语言手语转文字模型 SL2T，把手语动作直接翻译成流式文本，首批落地在 Pixel 11 的 Gboard 和 Live Transcribe 上，目前支持美国手语（ASL）转英文，用户可手语搜索、写消息或让 Gemini 执行任务。

    推荐理由：无障碍、输入法和会议转写产品可参考它的端侧姿态点方案，先在本地提取关键点再送服务器翻译，减少原始视频外传。

8月11日周二
8月10日周一
  1. Hugging Face Blog76

    Meta 发布 30B 多模态模型 Muse Glimmer 并开源，主打本地智能体场景

    Meta 发布 30B 参数的多模态模型 Muse Glimmer，采用 Apache 2.0 许可证，面向本地智能体场景。模型由 2B 的 Perception Encoder 视觉编码器和 28B 文本解码器组成，支持图像与视频问答、多模态工具调用和目标检测，另附可选的 DFlash 推测解码草稿模型。

    推荐理由：想在本地跑智能体的开发者可用 transformers 或 llama.cpp 直接加载 30B 权重，先验证编码与工具调用场景。

8月6日周四
7月30日周四
  1. Google DeepMind68

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

    Google DeepMind 发布面向机器人的具身推理模型 Gemini Robotics ER 2，作为机器人的高层大脑负责对话、多步任务规划与工具调用，再把动作执行交给下层 VLA 模型。

    推荐理由：机器人开发者可通过 Gemini API 调用 ER 2，把 VLA 模型和导航 API 声明为工具，配合 GitHub 示例跑通取物流程。

  2. Google DeepMind53

    Google DeepMind 在 Flow Music 上线音乐生成模型 Lyria 3.5

    Google DeepMind 发布新一代音乐生成模型 Lyria 3.5，并已在 Google Flow Music 上线。官方称新版在旋律结构上更丰富自然，歌词质量提升、对提示词的遵循度和结构意识更好，人声更有表现力和情感、发音也更准确。同时用户可以更方便地控制输出音频的速度与时长。适合在 Flow Music 里创作歌曲、并希望对生成结果有更细致控制的人。

7月28日周二
  1. Google DeepMind76

    Google DeepMind 发布 Gemini Robotics 2，让人形机器人实现全身控制与多机协作

    Google DeepMind 发布 Gemini Robotics 2，包含视觉语言动作模型 Gemini Robotics 2、具身推理模型 Gemini Robotics ER 2 和本地运行的 Gemini Robotics On-Device 2 三个模型。

    推荐理由：做具身智能的团队可先在 Google AI Studio 调用 Gemini Robotics ER 2 验证多步任务规划，VLA 与端侧模型需申请早期访问。

7月27日周一
  1. Hugging Face Blog66

    NVIDIA 发布 Cosmos-H-Dreams 实时手术机器人生成式仿真器

    NVIDIA 发布 Cosmos-H-Dreams，这是面向手术机器人的动作条件化实时生成式仿真器，把 Cosmos-H-Surgical-Simulator 蒸馏为少步因果学生模型，经 FlashDreams 在单张 RTX PRO 6000 上达到约 160 帧每秒。

    推荐理由：做手术机器人策略研究的团队可以用它把真机试错搬到单卡实时仿真里，先跑通闭环评估和失败样本生成再上硬件。

7月21日周二
7月17日周五
7月1日周三
  1. Google DeepMind82

    Google DeepMind 发布 Nano Banana 2 Lite 与 Gemini Omni Flash

    Google DeepMind 发布 Nano Banana 2 Lite 与 Gemini Omni Flash 两款生成模型。Nano Banana 2 Lite（gemini-3.1-flash-lite-image）4 秒生成一张图，每张 1K 图片 $0.034，已上线 Gemini API、AI Studio 并接入搜索、Gemini app 等消费级产品。

    推荐理由：做电商或室内设计素材的团队可先在 AI Studio 用 Nano Banana 2 Lite 低成本出图，再串联 Omni Flash 转成短视频打样。

6月30日周二
  1. Google Research78

    Google 发布 TabFM 零样本表格数据基础模型

    Google 发布 TabFM，一个面向表格数据分类和回归的零样本基础模型。它把整张表作为上下文提示，单次前向传播即可给出预测，无需逐数据集训练、超参数调优和特征工程。

    推荐理由：企业分析团队可以直接在 BigQuery 用 SQL 对已有表做零样本分类或回归，省去训练模型和调参。

6月11日周四
  1. Google DeepMind81

    Google DeepMind 发布实验性开源模型 DiffusionGemma，文本生成最高提速 4 倍

    Google DeepMind 发布实验性开源模型 DiffusionGemma，改用文本扩散并行生成，单张 GPU 上推理速度最高提升 4 倍。它是 26B MoE 模型，推理时激活 3.8B 参数，量化后可放进 18GB 显存，H100 上超过 1000 tokens/s，RTX 5090 上超过 700 tokens/s。

    推荐理由：本地部署的开发者可以用它在单张消费级 GPU 上做内联编辑和快速迭代，但产出质量要求高时仍应切回 Gemma 4。

6月9日周二
  2. Google DeepMind83

    Google DeepMind 发布 Gemma 4 12B 无独立编码器多模态模型

    Google DeepMind 发布 Gemma 4 12B，一款不设独立编码器的统一多模态模型，视觉和音频输入直接流入 LLM 主干。它是其首个支持原生音频输入的中等规模模型，定位在 E4B 与 26B MoE 之间，基准表现接近 26B 模型，16GB 显存或统一内存的笔记本即可本地运行。

    推荐理由：开发者可在 16GB 显存的笔记本上用 Ollama 或 LM Studio 本地跑它，做多模态和 Agent 原型验证。

5月18日周一
5月16日周六
  1. Google DeepMind87

    Google DeepMind 发布 Gemini 3.5 系列，3.5 Flash 今日上线

    Google DeepMind 发布 Gemini 3.5 模型系列，首个上线的是 3.5 Flash，已在 Gemini 应用、搜索 AI Mode、Gemini API、Google AI Studio、Android Studio 和 Google Antigravity 中可用。

    推荐理由：开发者可在 Google Antigravity 或 Gemini API 里调用 3.5 Flash，先替自己跑一遍长周期编码和多步 Agent 任务，再人工复核结果。