Google Research 在 Nature 发表研究系统 PHRM，利用手机前摄在面部解锁后的数秒内拍摄面部视频，通过深度学习在后台估算心率与静息心率。在自由生活研究中，PHRM 心率整体 MAPE 为 6.09%，静息心率相对 Fitbit Charge 6 的 MAE 为 4.39 bpm，是唯一在所有肤色组均达到 MAPE < 10% 的 rPPG 方法。团队同时公开了迄今规模最大、最多样的智能手机视频数据集和预训练 PHRM-mini 模型，符合 IRB 与数据保护要求的研究者可申请访问。
匹配字段摘要
Google Research 与 Beth Israel Deaconess Medical Center 合作开展了一项前瞻性单中心可行性研究，让对话式医疗 AI AMIE 在门诊就诊前与患者进行病史采集对话，全程由医生通过视频实时监督。研究纳入 100 名成年患者，98 人完成后续就诊，全程未触发任何安全暂停；盲评显示 AMIE 与初级保健医生在鉴别诊断和管理计划整体质量上相当，但医生在管理计划的实用性和成本效益上更优。AMIE 的鉴别诊断在 90% 病例中覆盖最终诊断，56% 病例将其列为最可能诊断，患者对 AI 的信任度在交互后显著提升。
匹配字段摘要
Physical Intelligence 开发了 Multi-Scale Embodied Memory（MEM）记忆系统，为模型同时提供短期视觉记忆和长期语义记忆。短期记忆用高效视频编码器记住近期交互的细节，长期记忆则让模型用文本总结事件，最长可记住 15 分钟的内容。该记忆系统让机器人能完成清理整个厨房、按食谱备料等多阶段真实任务，并展现出从过去错误中即时调整行为的上下文适应迹象。
匹配字段摘要
Physical Intelligence 为自家模型开发了多尺度具身记忆系统 MEM，用不同模态表示不同时间尺度的记忆。短期记忆由高效视频编码器保留近期交互的细粒度细节，长期记忆则通过训练模型用文本总结事件，最长可记住 15 分钟。该系统让机器人能完成清理整个厨房、从头准备烤奶酪三明治等多阶段真实任务，并展现出从过往错误中即时调整行为的上下文适应迹象。
匹配字段摘要
Google Research 发布一套用于自动生成时间上连贯长视频叙事的多智能体框架,旨在缓解现有线性流水线中的身份漂移和级联失败问题。该框架以 Gemini 和 Veo 为底座,包含 AI video co-director、CANVAS、A2RD 和 VQQA 四个部分,分别负责创意编排、视觉分镜、长时生成和闭环优化。评估显示,AI video co-director 在 GenAD-Bench 上取得 81.4 的峰值质量分,A2RD 可生成十分钟长视频并保持角色与环境一致性。目前尚无后续进展披露。
匹配字段标题
Google AI 表示正在探索用 Gemini 4 Argon 加速 Google 内部研究。据 2026 年 10 月 14 日的报道,其中一项测试是用人类完成趣味任务(如投沙包)的视频自动生成训练仿真,而不再完全依赖人工编程。研究团队展示了人形机器人学习这些视频、运行仿真并掌握投沙包任务的过程。目前该探索仍处于测试阶段,尚无后续发展事实。
匹配字段摘要
Google Research 发布一套用于自动生成时间上连贯长视频叙事的多智能体框架,旨在缓解现有线性流水线中的身份漂移和级联失败问题。该框架以 Gemini 和 Veo 为底座,包含 AI video co-director、CANVAS、A2RD 和 VQQA 四个部分,分别负责创意编排、视觉分镜、长时生成和闭环优化。评估显示,AI video co-director 在 GenAD-Bench 上取得 81.4 的峰值质量分,A2RD 可生成十分钟长视频并保持角色与环境一致性。目前尚无后续进展披露。
English translation is being prepared.
匹配字段标题
Google 提出 连贯长视频多智能体框架
English translation is being prepared.
匹配字段标题
2026年8月11日,Google Research与Google DeepMind展示AMIE在实时音视频临床咨询中的专家级表现。据Google Research介绍,AMIE (Video) 基于Gemini和Project Astra实现实时视频临床问诊,可感知非语言线索、引导虚拟体格检查并同步进行诊断推理;其采用异步多智能体架构,由三个专职智能体并行处理对话、推理与视听感知,以维持自然对话延迟。在100个场景、300次实时问诊、30名认证初级保健医生参与的随机OSCE研究中,临床评估者在病史采集、诊断准确性和沟通质量上给AMIE (Video) 的评分与初级保健医生相当,在引导体格检查方面显著更高;患者演员更偏好视频界面。研究全部使用专业患者演员模拟场景,尚未在真实患者中验证。
匹配字段标题
2026年10月11日,Thinking Machines Lab发布交互模型研究预览,模型原生处理音频、视频和文本,实时感知与回应,而非依赖外部脚手架。官方博客介绍,其TML-Interaction-Small为276B参数MoE、12B激活,采用200ms微轮次的多流设计,并搭配异步后台模型处理长程推理与工具调用。官方称其在FD-bench v1.5与Audio MultiChallenge上兼顾智能与交互性,但长会话上下文管理、低延迟部署和更大模型服务仍是待解问题。官方计划今年晚些时候开放有限研究预览并发布更大模型。
匹配字段摘要
研究人员开发出一种可从脑扫描重建所见图像的AI工具。据财联社报道,以色列魏茨曼科学研究所Michal Irani团队开发出AI模型Brain-IT,可通过分析fMRI数据重建受试者观看图像时的视觉画面。团队训练了一个反向翻译模型,根据图片预测大脑活动以扩充训练数据,使模型读取一个新受试者只需一小时,而其他模型需要数十小时脑部扫描数据。目前该研究仅针对静态图像,团队计划拓展至听觉信息解码和视频,并探讨未来读取梦境的可能,同时相关技术的滥用风险也引发关注。
匹配字段摘要
2026年10月6日,Google Research 公布一项研究,验证端侧AI通过盲扫超声判断胎龄和胎位。该研究由 Google 与 Northwestern、Jacaranda Health 合作,在肯尼亚内罗毕和芝加哥各招募1000名孕妇,让未经超声训练的医护按预设路径进行盲扫超声,再由机器学习模型分析视频,判断孕周和胎位,准确率与专业超声技师相当。操作者只需8小时培训,模型处理全部在设备端完成,无需电力或Wi-Fi即可给出结果。目前尚无后续发展事实。
匹配字段摘要
2026年9月29日,中国互联网络信息中心政策与国际合作所在第七届中国互联网基础资源大会上发布《生成式人工智能应用发展报告(2026)》。报告显示,截至2026年上半年,我国生成式人工智能用户规模突破7亿人,普及率超过50%。报告称76.0%的用户用其回答问题,处理图片/视频、文本、工作总结/会议纪要/PPT的占比分别为47.8%、37.6%和32.5%。截至2026年6月,我国智能算力规模达2185EFLOPS,同比增长177%,已建成高质量数据集超过12万个。报告还提到,2026年上半年我国发生1255起人工智能相关投融资事件,合计金额约2501.4亿元。目前尚无该报告发布后的进一步有证据发展。
匹配字段摘要
2026年9月30日,NVIDIA、MIT与牛津大学研究团队发布自进化物理语言框架Physis-Lang。该方法把物理推理写入视频描述文本,同一套文本用于数据筛选、训练和推理;据代表来源报道,其用GPT-5.5生成描述、Gemini-3.1-Pro作物理评审并迭代指令,最终训练集含183K视频,仅检索环节就在3个基准上平均提升3.01分,微调仅用LoRA。在2026年9月29日的Physics-IQ Verified榜单快照中,Cosmos3-Super以48.2±1.4排名第一,Cosmos3-Nano以43.3±1.5排名第二。目前尚无后续发展事实。
匹配字段摘要
Google Research与Google DeepMind 展示 AMIE在实时音视频临床咨询中的专家级表现
English translation is being prepared.
匹配字段标题
Google 发布 EmbeddingGemma 2 论文,介绍一个 Apache 2.0 许可的端侧多模态嵌入模型,把文本、代码、图像、音频和视频映射到同一向量空间。该模型基于 Gemma 4 构建,通过向更大的 Gemini Embedding 2 学习并用对比训练调优,744M 参数规模在多项任务上超过大 2 至 12 倍的模型。在 Pixel 11 Pro 上,量化后的文本权重占用约 191MB 活跃内存,完整多模态模型约 567MB,上下文窗口扩大 4 倍至 8K tokens,可容纳约 5.5 分钟音频、29 张图像或 58 帧视频;直接嵌入语音在 MSEB 口语查询检索基准上得分 69.54,高于先转写再检索的 57.59,代码检索在 MTEB Code 上从 EmbeddingGemma 1 的 68.76 提升到 78.68。目前尚无后续进展。
匹配字段摘要
腾讯混元于2026年10月30日发布交互式视频世界模型Hy-Nomas的技术报告,并开源Hy-Nomas-Bench供可复现研究。官方同时用Hy-Nomas复现了Genie 4的示例并放出对比视频,还提供无需等待名单的在线demo。此前介绍称,Hy-Nomas支持文本提示词与相机轨迹的自由交互、带世界记忆的长时程生成、面向机器人等领域的轻量LoRA适配,并针对消费级GPU推理做了优化。目前尚无后续进展。
匹配字段摘要
德国各州媒体监管机构于2026年10月23日发布《Video Trends 2026》研究。调查显示,79%的受访者已在网上接触过AI生成或大幅修改的视频,TikTok和Instagram上最为集中;在接触过这类内容的用户中,68%至少有一次将其误认为真实。81%的受访者表示如今更常怀疑视频的真实性,约九成受访者要求对AI内容强制标注,83%支持禁止某些形式的Deepfake。目前尚无后续发展。
匹配字段摘要
Meta 于 2026 年 10 月 21 日发表论文,指出主动式助手(如 AI 眼镜)的失败点在于自主判断何时开口,而不只是说什么。团队构建了 ProPerMem 基准,用第一视角视频搭配平均 618K token、干扰丰富的全年记忆,并设有人工核验的触发窗口。论文报告称,所有基线得分最高仅 15%,即便使用检索增强记忆的前沿模型也是如此;在窗口内提供 oracle 证据时 GPT-5.3-Chat 达到 96%,但让它自行选择时机后降至 38%,加入检索后降至 15%。同时把握内容与时机并减少触发频率,可把准确率从不足 10% 提升到 42.4%。目前该工作以论文形式发布,尚无后续进展。
匹配字段摘要
2026年10月16日,Google Research发布VERID框架。该框架基于开源PyLabRobot,提供实时3D状态跟踪、虚拟预演、硬件安全检查以及视频与动作日志,使AI智能体能够在液体处理机器人上规划并执行实验。据Google Research介绍,在适配体闭环实验中,智能体经过三轮设计-测试迭代,将肌红蛋白和α-凝血酶的确认命中率分别提升至33.5%和42.1%;在FAP蛋白结合剂设计中,表位切除使结构预测加速8.6倍,并得到单位数纳摩尔亲和力的结合剂。目前尚无后续发展事实。
匹配字段摘要