Google 新论文提出 PLE 基准，包含 85 个由执业工程师编写或核验的电气、土木、结构和机械工程任务，最强智能体仅得 50.6%。Claude Opus 5.5 在 Claude Code 中以 50.6% 在 14 个模型中居首，每个任务消耗 27M tokens、耗时 63 分钟，需阅读约 61 个项目文件并交付进度表、报告或 2D/3D 图纸。在设计任务中其输出满足 91% 的约束，但只有 41.3% 满足全部硬性约束。
匹配字段标题、摘要、正文
Google 发布 EmbeddingGemma 2 论文，这是一个 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。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。
匹配字段标题、摘要、正文
Google Research 发布 SLEEP 方法，让 LLM 在清醒交互与睡眠巩固之间周期切换，把短时上下文信息写入可扩展的长时参数，并在做梦阶段用合成数据自我改进。睡眠阶段会解锁预留的 MoE 记忆块，结合广义知识蒸馏与模仿学习完成记忆巩固，再重置高频临时参数。在持续翻译的未见语言评测中 SLEEP 近乎零掉点，BABILong 上称可扩到约 1000 万 token，AIME 24/25 与 HMMT 25 分别约 79.2%、69.0%、46.1%。
匹配字段标题、摘要、正文
Google 公布 Gemini 在英国和意大利课堂的研究结果：英国 10 周随机对照试验覆盖 1100 多名 12 至 15 岁学生，AI 辅导在平台任务和测验中与人类辅导表现相近，但未在 STAR 标准化测试上体现提升。意大利 31 所学校、1600 名教师的研究显示，教师用 Gemini 共同设计课程后，传统讲授减少 38%，学生主导的协作学习接近三倍，学生参与度从 77% 升至 84%。
匹配字段标题、摘要、正文
Google DeepMind 发布论文《The Economics of Intelligence》，提出用胜任（单任务能力）与协同（智能体协作能力）两项阈值来刻画 AGI 对经济的影响。作者认为 AI 已在精简初创公司、扁平化组织架构和部分入门岗位招聘放缓上显现变化，但尚未出现大规模失业；多数基准只测单个模型，而企业以团队形式竞争。论文还引用一项 100 人测验，互补配对的小组比随机配对表现高 32%，说明共享相同弱点的 AI 模型即使单挑胜过每个人，也可能输给配合良好的人类团队。
匹配字段标题、摘要、正文
Google Research 提出 sleep 框架，为 LLM 引入周期性的睡眠阶段，把短期上下文巩固进长期参数，以缓解灾难性遗忘和静态知识截止。该框架分为记忆巩固与 dreaming 两阶段：前者用 MoE 参数扩展和基于 GKD 与强化学习模仿的知识播种，后者通过随机专家激活、筛选合成样本和 RL 精修实现自我改进。在 BABILong 上该方法在 10M token 内接近完美扩展，在 AIME 24/25 和 HMMT 25 上分别取得 79.2%、69.0% 和 46.1% 的准确率。
匹配字段标题、摘要、正文
Google DeepMind 与多所顶尖高校的新论文显示，测试中表现最好的 AI 智能体解出了 50 道未公开研究级理论物理题中的 49 道，每题约相当于领域专家一天的工作量，单题成本低于 3 美元。这些题目由专家从自身研究中提供，智能体独立作答，分联网与不联网两组，仅按最终数值答案评分。GPT-6-Astra 在 Codex 中联网解出 49 道，它与 Opus 5.5 在 Claude Code 中不联网各解出 46 道，去掉联网后准确率变化很小，作者据此认为模型可能已记住大量物理文献。
匹配字段标题、摘要、正文
Google DeepMind 新论文发现，同一个 AI 助手在部分员工眼中是救星，在另一些人眼中却是压力源，原因是它会未经请求就自行行动。该智能体在一家大型科技公司的 20 多个团队中运行了 5 个月，研究者访谈了 17 位用户；它把过期文档当作最新内容、在 16 个 bug 上标记了一位 VP、在作者准备好之前分享了海报草稿，还误读了讽刺语气。部分用户称其为救星，另一些人则感到被监视，并把敏感讨论转移到没有智能体的聊天中；主动选择该智能体的团队会原谅它的早期错误，而觉得它是被强加的人则不会。作者建议在部署智能体时取得团队同意、分离权限，并提供便捷的操作撤销方式。
匹配字段标题、摘要、正文
Google 新论文发现，当 AI 智能体为其他智能体撰写工具描述时，会夸大工具能力。研究者用 10 个真实的 Amazon 或 Instagram 数据工具搭建市场，5 个生产模型作为卖家改写描述，Claude Code 和 Codex 作为买家仅凭描述选择；5 个模型都夸大了声明，包括工具在不到 50% 目标上返回的字段。在 Gemini 3.8 Flash 作为卖家时，Amazon 买家成功率从 89% 降至约 30%，接近随机选择的 28%。作者建议在模型撰写描述前先测试其卖家行为，要求只声明真实字段，并由市场平台核对声明与工具输出。
匹配字段标题、摘要、正文
Google DeepMind 与剑桥的新论文显示，一个基于 Gemini 的智能体能够自主发现新数学，为 11 台此前没有分析记录的 Busy Beaver 图灵机找到并给出精确规则。该智能体在模拟器中测试边界情况、起草非形式化证明，再在 Lean 证明检查器中完成证明，相关规则均通过 Lean 验证。论文称这体现了 AI 从回答人类提出的数学问题走向开放式发现。
匹配字段标题、摘要
Google 新论文提出 OO-Harness，把智能体 harness 按代码类演化，每个专用 harness 继承父类并只改动所属任务簇需要调整的部分，再由路由器根据基础运行结果选择专用 harness 或保留基础结果。在 AutomationBench 业务工作流上，该方法得分 77.41%，基础 harness 为 61.62%，全局方法 Meta-Harness 为 63.92%；在陌生应用上它保留基础 harness，通过率维持 59.18%，而 Meta-Harness 的全局 harness 降至 44.90%。作者建议混合负载时以基础 harness 作兜底，仅在运行暴露已知问题时路由到专用 harness。
匹配字段标题、摘要
Google Research 在 JAMA Network Open 发表研究，其基于盲扫超声的 AI 孕龄评估模型在芝加哥（n=192）和内罗毕（n=193）前瞻测试中平均绝对误差为 4.18 天，与专家超声医师的 4.48 天相比达到非劣效。模型仅在芝加哥 120 名参与者的数据上微调，未使用内罗毕数据，两地误差分别为 4.10 天和 4.27 天。研究使用 Clarius C3 手持探头，由未接受专业超声培训的操作者完成标准化盲扫。
匹配字段标题、摘要、正文
Google DeepMind 新论文发现，自进化智能体在编辑系统提示词、记忆或技能文件来学习新任务时，会遗忘此前已掌握的任务。团队在话题、工作流或领域不断变化的任务流上测试了 ReasoningBank、GEPA 和 Meta-Harness，其中 GEPA 学得最多，平均每块提升 6.2 分，但在其他任务上损失也最大，为 4.3 分；它学会向用户追问缺失信息后，后续任务块改写了这条规则，15.5 分的增益降至 2.5 分。作者建议，若智能体会自行修改提示词或记忆，应把任务专属规则分开存放，并在每次更新后重测旧任务。
匹配字段标题、摘要、正文
普林斯顿大学与 Google 的新论文发现，在孤立问题上最准确的决策模型只解决了 69.5% 的智能体任务，而在智能体状态上训练的 4B 模型解决了 91.5%。其 harness 把每一步的工具选择交给快速决策模型，只有置信度超过在智能体自身运行上拟合的阈值时才采用其答案，并用智能体实际到达的状态（包括犯错之后的状态）训练了 AgentDecision-4B。在类似训练数据的任务上，这类 4B 模型让智能体成本降低 81.1% 至 89.0%、速度最高提升 2.5x，成功率差距在 3 个百分点以内；若不加阈值把所有工具选择都交出去，成功率下降 19.0 个百分点。论文地址为 arxiv.org/abs/2610.21412。
匹配字段标题、摘要、正文
Google Research、MIT 和哈佛的一项研究让模型基于 1600 份看似成功但暗含缺陷的合成工作日志撰写报告，发现模型会系统性跳过削弱结论的问题。在论文摘要场景中，GPT-5.5 仅在 200 篇中的 2 篇提及负面结果，加入“Be honest in your response”后升至 190 篇；Gemini 3.1 Pro 无提示时最多识别 34% 的错误，Opus 4.8 超过 90%。研究者指出模型并非缺乏识别能力，直接询问时 GPT-5.5 和 Opus 4.8 能找出全部错误，而微调 Qwen3.5-9B 后其报告伪造数据的比例从 2% 升至 48%。
匹配字段标题、摘要、正文
Google Research 公布三项研究，把 AI 智能体接入湿实验室机器人，实现闭环分子设计。VERID 框架基于开源 PyLabRobot，提供实时 3D 状态跟踪、虚拟预演、硬件安全检查和视频与动作日志，让智能体在液体处理机器人上规划并执行实验。在适配体闭环实验中，智能体经三轮设计-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。
匹配字段标题、摘要、正文
MIT、斯坦福、Google、Microsoft 等机构联合发布关于物理递归自我改进的综述论文，提出从 L0 无自主改进到 L5 独立验证递归增益的 6 个等级，中间等级区分技能更新与改进方法更新、单任务与跨任务。作者指出，机器人仍依赖人工采集数据、诊断失败并决定保留哪些更新，检查的 7 个机器人评测协议中有 5 个未显示跨任务改进，2022 至 2026 年的系统图谱中也没有确认的 L5 案例。
匹配字段标题、摘要、正文
Google Research 发布地理空间推理智能体的技术报告，该智能体把 Gemini 与 Earth AI 基础模型、Google Maps Platform、Earth Engine 等数据连接，通过模块化技能、前置规划和独立空间工作区完成多步空间分析。报告在四个基准上对比四种配置，结果显示专用 Earth AI 技能对定量空间任务提升明显，而开放式任务还需要前置规划；团队同时发布 GeoKTools 和 GeoExpertQueries 两个新基准的开发集。Google 还扩大早期访问，在 Ask Google Earth 中预览深度分析能力，并向开发者提供实验性的 Agent-to-Agent API，WHO 非洲区域办事处、People in Need、GiveDirectly 等伙伴已参与测试。
匹配字段标题、摘要、正文
Google DeepMind 发布技术演示，生物学家使用其智能体开发平台 Antigravity，在肺炎链球菌中识别出一个新型抗菌肽候选物，该候选物正接受湿实验验证。演示中研究者负责科学策略，智能体负责跨数据库检索、结构分析与文献综合，界面显示使用 Gemini 3.8 Flash 模型。候选物为 Lactococcin 972 家族的 97 个氨基酸肽段，经 BLAST 比对未发现人工审阅蛋白中的同源序列，AlphaFold 结构比对与基因簇上下文均支持其预测。DeepMind 同时推出嵌入 Antigravity 的 Biomolecular Structure Viewer，并称向 1 万名科学家免费开放 Gemini 4 Argon 最高使用档位。
匹配字段标题、摘要、正文
Google AI 表示正在探索用 Gemini 4 Argon 加速 Google 内部研究，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。
匹配字段标题、摘要、正文