Google Research 发布 AMIE (Video)，支持实时视频问诊并引导体格检查
Google Research 发布 AMIE (Video)，基于 Gemini 和 Project Astra 实现实时视频问诊，可观察非语言线索、引导虚拟体格检查并同步推理诊断。
推荐理由：做医疗 AI 或远程问诊的团队可以借鉴它的三智能体异步分工，把实时对话与后台推理拆开再搭视频问诊原型。
Agent
全部主题能自己规划、调用工具、操作软件的 Agent：框架、产品、可落地的任务案例。
最新精选
第 21–28 条 · 共 28 条Google Research精选AI 评分7575
Hugging Face Blog精选AI 评分7676 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。
Google Research精选AI 评分6262 Google Research 提出 Chain-of-Evidence，用证据链让自主科研产出可验证
Google Research 提出 Chain-of-Evidence 可验证性框架，并据此构建自主科研原型 Science One Framework，让论文里每条论断都绑定到真实代码、日志或文献。
推荐理由：做自动化科研 Agent 的团队可以用 CoE Audit 的四项检查自查产出，先拦住虚构引用和不可复现的分数。
Google DeepMind精选AI 评分6868 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。
Google DeepMind精选AI 评分7878 Google DeepMind 发布 Gemini 3.6 Flash、3.5 Flash-Lite 与 3.5 Flash Cyber
Google DeepMind 发布 Gemini 3.6 Flash、3.5 Flash-Lite，以及面向代码安全的 3.5 Flash Cyber。
推荐理由：做生产级 Agent 的开发者可先用 3.6 Flash 压降单任务 token 成本，再用 Flash-Lite 承接高吞吐的检索与文档处理。
Google DeepMind精选AI 评分8383 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。
Google DeepMind精选AI 评分8787 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。
Google Research精选AI 评分7474 Google Research 提出 ReasoningBank 记忆框架，让智能体从成功与失败经验中学习
Google Research 在 ICLR 论文中提出智能体记忆框架 ReasoningBank，把成功和失败轨迹都蒸馏成结构化记忆，供智能体在测试时自我进化。
推荐理由：做长任务智能体的团队可以参考论文把成功与失败轨迹都蒸馏成记忆条目，先对照开源代码在自有基准上跑一轮对比。