跳到正文

#Google

今日 0 条
9月25日周五
9月19日周六
9月18日周五
9月16日周三
  1. Google Research38

    绕过推理瓶颈：Google 用 Retrieve-for-Train 加速复杂 AI 搜索

    Google 在 ICML 2026 论文中提出 Retrieve-for-Train 框架，用离线强化学习将属性对齐的查询扇出编译为监督信号，并蒸馏进 53.9M 参数的扩散检索器，实现单次非自回归推理，无需测试时思维 token。该方法在 Gemma3-4B 和 Qwen3-4B 上微调，解决零样本 LLM 的释义坍缩与自回归延迟瓶颈。

9月11日周五
9月4日周五
  2. Google Research62

    Google 与 HHMI Janelia 发布完整雄性果蝇脑图谱

    Google Research 与 HHMI Janelia 等合作方在 Cell 发表论文，发布完整雄性果蝇脑与中枢神经系统连接组图谱，含超过 166,000 个神经元和 1.25 亿个突触连接，是迄今神经元数量最大的脑图谱。该图谱经人工校验，可通过开源工具 Neuroglancer 查看和下载，并与雌性果蝇图谱互补，用于研究两性差异及个体间变异性。

    推荐理由：原文给出了迄今最大的脑图谱及其开放下载入口，读者可据此了解连接组学方法的最新进展。

9月2日周三
  1. Google Research62

    Google 与 NASA JPL 发布 MAPL-EMIT：用深度学习从太空绘制全球甲烷排放

    Google Research 与 NASA JPL 合作发表 PNAS 论文，提出 MAPL-EMIT 深度学习框架，基于 Swin-S vision transformer 处理 EMIT 高光谱数据，可同时完成甲烷羽流增强量化、羽流分割和源定位。

    推荐理由：原文给出了模型架构、训练方法和实测召回率，读者可据此评估这套深度学习方案在甲烷点源监测上的实际能力。

8月27日周四
  1. Google Research45

    GlucoFM：面向连续血糖监测的双流基础模型

    Google Research 推出 GlucoFM，一种面向连续血糖监测（CGM）的自监督基础模型，采用双流设计分离缓慢血糖趋势与短期波动。在四个队列、七项临床预测任务的 14 项评估中，GlucoFM 的平均 PR-AUC 比最优 GluFormer 变体高 5.8 个百分点，并在所有糖尿病风险和 β 细胞功能障碍评估中领先。

8月26日周三
8月22日周六
8月21日周五
  1. Google Research42

    移动性如何让语言模型更深入地理解地点

    Google Research 提出 Mobility-Embedded POIs（ME-POIs）框架，将聚合的匿名移动模式（如到达时间、停留时长）与文本描述结合，为地点构建动态嵌入。该框架在公开基准上使访问意图预测相对提升 81.9%，价格等级分类提升 75.1%，繁忙度估计提升 24.7%。ME-POIs 通过空间多尺度传播解决数据稀疏问题，并将移动性从预测任务转为定义地点本身的输入特征。

8月17日周一
  1. Google Research62

    Google Research 发布 PhotoScan：用智能手机照片估算体脂率与胰岛素抵抗风险

    Google Research 推出 PhotoScan，一个基于深度学习的研究框架，可从标准 2D 智能手机照片估算三维身体成分指标，包括体脂率（BF%）、A/G 比值和 V/S 比值。

    推荐理由：原文给出了PhotoScan在体脂率、A/G和V/S比值上的误差数据，以及相比智能手表BIA和DXA的预测能力对比，读者可据此判断智能手机影像估算代谢风险的可行性。

8月12日周三
  1. Google Research62

    Google Research 提出知识画像框架：召回是参数化事实性的瓶颈

    Google Research 提出知识画像框架，将事实状态分为编码失败、召回失败等五类，并发布 WikiProfile 基准，含 2,150 条维基百科事实。

    推荐理由：论文用知识画像框架区分编码与召回失败，指出前沿模型的事实错误主要来自知识难以访问而非缺失，并验证了思考机制能恢复部分已编码事实。

8月6日周四
  1. Google DeepMind82

    Google DeepMind 开源 WeatherNext 模型，气旋预报精度提升一天

    Google DeepMind 在 Nature 发表论文并开源 WeatherNext 2 和 WeatherNext Cyclones 模型，其气旋预报精度达到 SOTA，平均比此前模型多出一天以上的提前量，相当于气象学约十年的进步。

    推荐理由：原文给出了模型精度提升、开源范围和实际应用案例，读者可以据此判断该模型对气象预报领域的具体价值。

7月31日周五
7月23日周四
  1. Google Research62

    Google Research 发布 SymptomAI 研究：对话式 AI 智能体用于日常症状评估

    Google Research 发布 SymptomAI 研究，在 n=13,917 的全国随机对照中，让参与者与五种 Gemini Flash 2.0 SymptomAI 智能体交互，并由临床专家盲评其鉴别诊断（DDx）表现。

    推荐理由：原文给出了大规模随机对照结果和可穿戴生物信号佐证，读者可据此评估对话式AI症状评估的真实水平。

  2. Google Research60

    Google Research 在 Nature 发表论文：强化学习让量子计算机从错误中学习

    Google Research 在 Nature 发表论文，提出用强化学习框架让自主智能体从量子错误检测中持续学习，动态调控数千个控制参数，在计算过程中稳定量子系统对抗漂移。在 Willow 处理器上，该方法将逻辑稳定性提升 3.5 倍，并在专家校准后进一步将逻辑错误率降低 20%。

    推荐理由：原文展示了强化学习如何让量子计算机在运行中持续校准，读者可借此理解机器学习在量子纠错中的新角色。

7月16日周四
  1. Google Research38

    扩散模型的创造力从何而来：Google 研究揭示“分数平滑”机制

    Google Research 在 ICLR 2026 发表论文，从数学上解释扩散模型的“创造力”并非偶然，而是源于神经网络训练中正则化导致的“分数平滑”效应。该效应使模型在去噪过程中生成训练数据点之间的插值样本，而非简单记忆。研究还发现，即使不显式使用权重衰减，梯度算法带来的隐式正则化也能产生同样效果。

7月9日周四
  1. Google Research70

    Google Research 发布 SensorFM，用一万亿分钟可穿戴数据训练通用健康传感器基础模型

    Google Research 发布 SensorFM，一个基于超过一万亿分钟、来自五百万名同意参与者的多模态可穿戴数据预训练的大型传感器基础模型。SensorFM 通过自监督重建学习，可跨心血管、代谢、睡眠和心理健康等任务迁移，在 35 项健康任务中 34 项优于特征工程监督基线。模型还结合了智能体课堂自动构建预测头，并能支撑个人健康智能体的端到端应用。

    推荐理由：原文给出了一万亿分钟级可穿戴数据训练的通用传感器基础模型，读者可据此判断它能否替代单任务健康模型。

7月8日周三
  1. Google Research62

    Google Research 在 Nature Cities 发表城市拥堵缓解实验

    Google Research 在 Nature Cities 发表研究，通过在 10 个美国城市开展为期六个月的切换实验，仅协调不到 2% 的行程改走相似耗时路线，就使目标路段车速中位数提升约 2%，燃油消耗率中位数下降 0.5% 至 1.0%，并估算每城每年可减少数千吨 CO2e 排放。该研究为从个体路线优化走向全网络协同路由提供了实验框架。

    推荐理由：原文给出了首个大规模真实城市路由干预实验的方法与量化结果，读者可据此评估导航平台协调交通的实际收益。

6月27日周六
  1. Google Research60

    Google Research 用冻结多 token 预测加速 Pixel 上的 Gemini Nano 模型

    Google Research 宣布一种新架构，将多 token 预测（MTP）头附加到冻结的 Gemini Nano v3 模型上，以加速 Pixel 9 和 10 系列上的端侧推理。相比独立草稿模型，MTP 在 Pixel 9 上带来 50% 或以上的速度提升，并节省约 130MB 内存，同时保持输出与主模型逐位一致。该方案已用于 AI 通知摘要和校对等功能，减少能耗并提升电池续航。

    推荐理由：原文给出冻结骨干加 MTP 头的端侧加速方案，读者可据此判断其相对独立草稿模型的效率优势。

6月25日周四
  1. Google Research47

    线性弹性缓存如何优化云成本：Google 将页面驱逐建模为滑雪租赁问题

    Google 在 CIDR 论文中提出线性弹性缓存，将页面驱逐建模为滑雪租赁问题，用轻量级机器学习动态调整缓存大小，以最小化缓存总拥有成本。集成到 Spanner 生产环境后，内存使用减少 15.5%，缓存未命中仅增加 5.5%，TCO 降低约 5%，且 I/O 成本影响仅 0.5%。该方法将驱逐策略与“租赁时长”分离，通过浅层决策树预测 TTL，并已在公开缓存轨迹上验证。

  2. Google Research60

    Google Research 揭示推理如何解锁 LLM 参数化知识

    Google Research 在 COLM 2026 发表的论文中，通过受控实验证明允许模型生成推理轨迹能解锁原本无法获取的正确事实答案。研究识别出计算缓冲和事实启动两种互补机制，并发现推理轨迹中若含单个幻觉中间事实会显著降低最终答案正确率。基于此，研究提出在测试时优先保留无幻觉事实的推理轨迹可提升准确率，并建议训练时用过程奖励鼓励事实支持的中间步骤。

    推荐理由：原文用受控实验拆解了推理为何能解锁参数化知识，并给出可落地的训练优化方向。

6月17日周三
  1. Google Research52

    Google 发布英国细粒度生态特征向量化数据集

    Google Research 发布向量化数据集，将英格兰的树篱、石墙和小林地等细粒度生态特征从像素地图转化为可操作的清单，供土地所有者与保护机构测量和扩展这些特征。该数据集基于预训练于 3 亿张卫星图像的 ViT 模型微调，并用 Polsby-Popper 紧致度评分对几何形状分类，通过 Google Earth Engine 并行处理覆盖超 13 万平方公里的区域。

6月13日周六
  1. Google Research62

    Google Research 发布AI辅助皮肤问题理解研究

    Google Research 发布两项关于AI辅助用户理解皮肤问题的研究。一项发表于 JAMA Dermatology 的量化研究显示，使用AI工具时参与者命名皮肤状况的准确率约为对照组的三倍（23% vs 8%），但确定下一步医疗行动的能力提升不显著。另一项与斯坦福医疗AI团队合作的真实世界研究显示，使用应用后参与者命名状况的能力提升260%，临床医生认为预测与自身评估一致的比例为86%。

    推荐理由：原文给出两项研究的具体数据，读者可据此判断AI辅助皮肤问题识别对用户理解的实际增益与局限。

6月11日周四
  1. Google Research40

    Google Research 提出机器遗忘审计新框架 Regularized f-Divergence Kernel Tests

    Google Research 在 AISTATS 2026 提出 Regularized f-Divergence Kernel Tests，用于更灵敏、灵活、准确地审计机器学习模型的“遗忘”效果。该框架通过相对距离测试和自适应超参数选择，理论上可控制任意样本量下的假阳性，并随样本增加将假阴性风险收敛至零。实验涵盖合成基准与高能物理数据集 Expo1D 异常检测任务。

6月8日周一
  1. Google DeepMind62

    Google DeepMind 发布塞拉利昂AI辅助学习试验结果

    Google DeepMind 发布在塞拉利昂进行的预注册试验结果，显示使用 Guided Learning 的学生数学成绩比对照组提升 +0.258 个标准差，相当于八周内约 1.2 至 1.7 年的典型学习进步。

    推荐理由：原文给出了预注册试验的量化结果和交互数据，读者可以据此判断AI辅助教学的实际效果与局限。

6月5日周五
  1. Google Research62

    Google 在 Nature 发表论文：用手机前置摄像头实现被动心率监测

    Google Research 在 Nature 发表论文，介绍被动心率监测系统 PHRM，利用手机前置摄像头在面部解锁后拍摄视频，通过深度学习估计心率，MAPE 小于 10%，并估算每日静息心率，MAE 小于 5 bpm，准确度达到可穿戴设备水平。

    推荐理由：原文给出了PHRM系统的技术路线、跨肤色准确率数据和公开数据集，读者可据此评估被动心率监测的可行性与局限。

5月28日周四
  1. Google Research60

    Google 提出零信任聚合方案，为端侧 AI 提供隐私保护分析

    Google 研究团队提出一种零信任聚合方案，用于端侧 AI 的隐私保护分析。该方案结合新型格基密码协议与可信执行环境（TEE），支持单次消息提交，无需设备长时间在线，并确保 Google 只能获得匿名聚合结果。Android SafetyCore 将采用该方案评估安全模型效果，同时保证用户内容仅存于设备端。

    推荐理由：原文给出了一种结合密码学与TEE的多层防护设计，读者可据此理解零信任聚合如何兼顾效率与隐私。

5月16日周六
  1. Google DeepMind62

    Co-Scientist 助力发现肝纤维化重定位药物

    斯坦福大学遗传学家 Gary Peltz 使用 Google DeepMind 的 Co-Scientist 从现有药物文献中筛选肝纤维化候选药物，在活体人类肝细胞测试中，Co-Scientist 选出的三种候选药有两种能阻断纤维化并促进肝细胞再生，其中抗癌药 vorinostat 阻断了 91% 的损伤反应，而 Peltz 自行挑选的两种药物均未见效果。

    推荐理由：原文呈现了AI智能体在药物重定位中的具体实验结果，读者可据此评估其在该领域的实际价值。

4月30日周四
  1. Google DeepMind62

    Google DeepMind 发布 AI co-clinician 研究计划，探索医疗AI协作模式

    Google DeepMind 宣布 AI co-clinician 研究计划，探索AI作为护理团队协作成员、在医生临床监督下与患者互动的模式。在98个真实初级保健查询的盲评中，系统在97例中零关键错误，优于两个常用AI系统；在OpenFDA的RxQA开放式药物问答中超越前沿模型。

    推荐理由：原文给出了AI co-clinician在证据综合、药物问答和远程医疗模拟中的具体评测结果，读者可据此判断医疗AI当前的能力边界。

4月22日周三
  1. Google DeepMind70

    Google DeepMind 发布 Decoupled DiLoCo 架构，实现跨数据中心低带宽容错训练

    Google DeepMind 发布新论文，提出 Decoupled DiLoCo 分布式训练架构，将训练拆分为解耦的计算孤岛，通过异步数据流隔离局部故障，使系统在硬件故障时仍能保持高可用性。实测中，该架构用 2-5 Gbps 带宽在四个美国区域成功训练了 120 亿参数模型，速度比传统同步方法快 20 倍以上，并支持混用 TPU v6e 和 TPU v5p 等不同代际硬件。

    推荐理由：原文给出了跨数据中心训练的新架构及其在带宽、容错和硬件混用上的实测结果，读者可据此评估分布式训练的新路径。

  2. Google Research60

    Google Research 提出 ReasoningBank 智能体记忆框架，从成功与失败经验中提炼推理模式

    Google Research 在 ICLR 论文中提出 ReasoningBank，一种从成功和失败经验中提炼高层结构化推理记忆的智能体框架，用于测试时自我进化。

    推荐理由：原文给出了 ReasoningBank 在 WebArena 和 SWE-Bench-Verified 上的成功率与效率提升数据，读者可据此判断该记忆框架的实际收益。

4月16日周四
  1. Google Research62

    Google 研究提出 Simula 框架，用推理优先方法设计合成数据集

    Google Research 在 TMLR 发表论文，提出推理优先的合成数据生成框架 Simula，将数据生成分解为全局多样化、局部多样化、复杂化和质量检查四个可控轴，并引入基于推理的评测指标。

    推荐理由：原文把合成数据生成重构为机制设计问题，并给出可独立控制的四个轴，读者可据此评估这类方法在生产场景的适用边界。

4月9日周四
4月3日周五
  1. Google Research62

    Google Research 提出评估 LLM 行为倾向对齐的框架

    Google Research 发布论文《Evaluating alignment of behavioral dispositions in LLMs》，提出一个基于心理学问卷和情境判断测试的框架，评估25个LLM在现实场景中的行为倾向与人类共识的对齐程度。

    推荐理由：原文用25个LLM的实测数据展示了模型行为与人类共识之间的两类差距，读者可据此理解当前对齐评估的局限。