#谷歌 DeepMind (15)

视频生成影音创作梯顶A

Gemini Omni:视频交付单位从「一次抽卡」变成「一段可对话的编辑过程」

Google DeepMind 的视频与多模态生成模型,官方定位 create anything from any input, starting with video:逐步对话编辑视频,每次编辑建立在上一次之上并维持连贯场景,交付单位从一个镜头提到可改素材;另两条:真实世界知识、任意参考合成单一输出。水位连票数读:Artificial Analysis 竞技场(2026-09-22)文生视频榜 gemini-omni-1.1-flash 以 Elo 1516 第 1,但只有 1,784 票、CI ±15;第 2 同门 1513、26,576 票、±9,3 分差远小于各自 CI,统计不可区分,即 Omni 系列并列榜首。图生视频榜第 1 是 minimax-h3(1495、57,112 票),Omni 以 1488、3,734 票第 2。定价:输入 $1.50/1M tokens,输出文本 $9.00/1M、视频 $17.50/1M,720p 约 $0.10/秒、30 秒约 $3。付费层 GA、免费层无。闭源不可自托管、不能微调。置信度 A(已确认),视频域首条 A 档;A 指读数可信可核,不等于无争议第一。

1516Arena T2V Elo(1784 票)已确认 · 2026-09

产品Google DeepMind官网

数学科研梯顶B

AlphaEvolve:让模型去优化「有客观评分函数」的问题

Google DeepMind 的编码代理式进化搜索:Gemini Flash 出量、Gemini Pro 出质地提出候选,自动评估器打分,高分候选留进种群当下一轮上下文,本质是 LLM 当变异算子的进化搜索;它只做有自动评估器的优化问题,因此归到 math 与 agents 两域。进化出的调度启发式已在 Google 数据中心(Borg)生产运行超过一年,持续回收 Google 全球算力的 0.7%(口径是 Google 全球算力,不是全人类算力),卡片读数取自它:全部结果里唯一经长期生产验证的一条。另有 matmul kernel 特定规模提速 23%;数学侧在 50 多个开放问题上约 20% 给出改进,含 4x4 复矩阵乘法用 48 次标量乘改进 Strassen 1969 年的 49 次记录。可验证性与证明器不同:Lean 通过是数学意义上的对,「提速 23%」是特定硬件下的经验读数。可用性接近零:无公开权重、Early Access 只有登记表,前提是你写得出便宜、快速、可信的评估器。置信度 B(有争议):Borg 那条经一年生产验证,未复现任何一条。

0.7%Google 全球算力回收(生产验证)有争议 · 2025-05

生产Google DeepMind官网

Gemini 4 Argon 面向机器人：贯穿控制、Real2Sim 与自我改进的物理推理模型

Gemini 4 Argon 以纯推理在 ERQA 取得 87%，并以 12 组提示词覆盖机器人控制、Real2Sim、物理理解与自我改进：MuJoCo 数字孪生、零样本控制、事后标注与真机迭代改进。

博客

物理推理具身智能机器人控制Real2SimMuJoCo

1:43

Gemini 4 Argon 自搭仿真练投袋

@GoogleAI · 68次播放 · 2026-10-13

人形机器人Gemini谷歌 DeepMind

8:06

Gemini 4 Argon 自述学投沙包

@parada_car88104 · 51次播放 · 2026-10-13

人形机器人Gemini谷歌 DeepMind

EmbeddingGemma 2 解读：7.4 亿参数，把图片、录音和视频变成 Agent 本地可检索的向量

Google 开源 EmbeddingGemma 2：740M 参数把文本、代码、图片、音频、视频映射进统一 768 维空间，纯文本仅 270M。本文拆解模块化加载、MRL 截维与本地 RAG 落地。

博客

大语言模型Embedding ModelsMultimodal RetrievalOn-Device AIRAG

1:52

RT-2:把视觉与语言直接变成机器人动作

@Alacritic_Super · 552次播放 · 2026-09-22

视觉语言动作模型RT-2机器人学习

Dream-RSI：在演化世界中递归自我改进

固定的探索策略无法随搜索空间扩大而自适应，在线优化元策略又要为每个候选策略付出昂贵的长程 rollout。Dream-RSI 把已完成的发现历史组织成发现树，当作可回放的世界：候选探索策略在树里“做梦”式重放，只读取已记录的执行结果即可被打分，再由策略开发智能体改写策略代码，选出回放分最高的版本重新上线，形成递归自我改进闭环。在 Lasso 求解器、三个数学优化问题与 KernelBench 四个 GPU 核任务上，它以少 1.7 倍到 162 倍的智能体调用取得同等或更好的发现质量。

Tong Zheng, Xidong Wu, Zheng Zhang · 976次阅读 · 2026年9月14日

递归自我提升世界模型LLM智能体2026年9月14日