Google Research 提出 Diffusion Controller，统一并简化 AI 图像生成控制
Google Research 提出 Diffusion Controller 框架，把扩散模型的去噪过程重构为连续控制问题，通过轻量附加网络在不改动基座模型权重的前提下引导生成。在 Stable Diffusion v1.4 上以 HPS-v2 评测，其完全解锁版本对基线模型取得 90% 胜率，并支持黑盒、灰盒模型的微调。
Google ResearchAI 评分4242
Google Research精选AI 评分6262 Google Research 发布 AI 视频联合导演框架，实现连贯长视频生成
Google Research 发布 AI video co-director 多智能体框架，在 Gemini 和 Veo 之上规划多镜头叙事的视觉连续性，并原生继承 SynthID 水印等安全机制。
推荐理由：Google 把长视频生成拆成规划、分镜、自回归合成与闭环修正四套框架，读者可了解多智能体如何抑制角色漂移与语义漂移。
Google ResearchAI 评分2222 Google Research 推出 MilleMiglia：面向中段物流的真实实例生成器
Google Research 发布 MilleMiglia，一个用 C++ 编写的实例生成器，用于为中段物流配送问题生成真实且保护隐私的基准数据，源码与文档已在 GitHub 开放。
Google ResearchAI 评分3434 Google Research 提出 Retrieve-for-Train：用离线 RL 编译扩散检索器，绕过查询扇出推理瓶颈
Google Research 提出 Retrieve-for-Train 框架，用离线强化学习发现奖励对齐的查询扇出并编译为监督信号，再蒸馏进一个 53.9M 参数的扩散检索器，实现单次非自回归的查询扇出。该方法在 Gemma3-4B 和 Qwen3-4B 上微调扇出语言模型，以集合级属性奖励评估整组结果，避免推理时生成数百个 CoT 推理 token。相关论文已被 ICML 2026 收录。
Google AI BlogAI 评分3636 Google 发布 AI & Economy ATLAS 新数据可视化与科学家 AI 使用研究
Google 为 AI & Economy ATLAS 推出新的交互式开放数据可视化，便于查看各职业与各国的 AI 使用率。基于 ATLAS 的新研究分析 2600 个专用 AI 模型并调查 600 多名美英科学家，发现近半数科学家每天使用 AI，每周节省近 7 小时，但验证 AI 输出耗时增加、待检验假设积压，物理实验与临床验证环节出现瓶颈。
Google ResearchAI 评分3434 Google Research 提出 ToolGrad：用文本“梯度”高效生成工具调用数据集
Google Research 提出 ToolGrad，用文本“梯度”迭代构建 API 工作流，先产出真实工具调用链再反向标注用户提示词，在 16k+ API 的 ToolBench 上以更低成本生成更复杂、通过率更高的数据。
Import AIAI 评分6262 DeepMind 让 100 个智能体解数学题，结果出现作弊与告密
Google DeepMind 发布论文，用 100 个运行 Gemini 3.1 Pro 的自主智能体协作求解 71 道数学题，并给它们配备了公共公告板、私信和共享知识库。
Google ResearchAI 评分2222 Google Research 研究跨人群基因组预测的迁移学习
Google Research 用 UK Biobank 欧洲人群与 Biobank Japan 近 20 万日本人样本，在 8 项临床指标上评估多基因风险评分（PRS）的跨人群迁移效果。结果显示，目标人群样本达 15k 以上时，纯目标人群模型优于混合欧洲数据训练；HDL、LDL 和血糖等高度人群特异性指标的交叉点更早到来。研究还比较了 meta-analysis 与 PRS-CSx 两种方法。
Google Research精选AI 评分6262 Google 与 HHMI Janelia 等发布完整雄性果蝇脑图谱
Google 与 HHMI Janelia 及剑桥大学等合作者在 Cell 发表论文，发布雄性果蝇脑和中枢神经系统的完整连接图谱，包含超过 166,000 个神经元和 1.25 亿个突触连接，是迄今按神经元数量计算最大的脑图谱。
推荐理由：Google 与 HHMI Janelia 等合作发布迄今神经元数量最多的脑图谱，读者可了解 AI 如何加速连接组学重建。
Google DeepMindAI 评分4242 从 Atari 到 EVE Online：Google DeepMind 回顾 15 年游戏 AI 研究
Google DeepMind 回顾了 15 年游戏 AI 研究历程，从 DQN 在 49 款 Atari 2600 游戏中学会游玩，到 AlphaGo、AlphaZero、MuZero 和 AlphaStar 在围棋、国际象棋与 StarCraft II 中达到 Grandmaster 水平。
Import AIAI 评分4242 Import AI 469：DiG-bench 测 AI 发现能力、RSI 模拟器与扎克伯格的技术悲观主义
Import AI 469 期介绍了新基准 DiG-bench，用 70 款规则与目标均隐藏的游戏测试 AI 自主发现环境规律的能力，Opus 5 和 Fable 5 搭配 Claude Code 表现最佳，但仅能在 Tier 7 完成 0.2 的任务，远低于人类的 100%。
Google DeepMind精选AI 评分6262 Google DeepMind 公布塞拉利昂 AI 学习试验结果
Google DeepMind 公布在塞拉利昂开展的预注册随机对照试验结果，使用 Guided Learning 的学生数学成绩比对照组提升 0.258 个标准差，约相当于 1.2 至 1.7 年的常规学习进度。
推荐理由：原文给出塞拉利昂随机对照试验的量化结果与交互数据，可了解 AI 辅助教学的实际效果与局限。
Google DeepMindAI 评分2222 剑桥大学团队用 Co-Scientist 寻找跨物种传染病的分子开关
剑桥大学教授 Clare Bryant 正用 Google DeepMind 的 Co-Scientist 寻找病原体跨物种传播引发脓毒症等重症的分子开关。Co-Scientist 从她的流感基金申请中生成并排序假设，优先锁定了一个她此前未关注的蛋白，并随数据补充将假设细化到具体氨基酸。Bryant 团队正构建携带氨基酸突变的细胞系验证，原本需两到三年的工作有望在六个月内完成。
Google DeepMindAI 评分2222 Google DeepMind Co-Scientist 如何助力 Calico 探索衰老研究新路径
Calico Life Sciences 的 Matt Onsum 与 Katherine Labbé 正使用 Google DeepMind 的 Co-Scientist 整合衰老生物学中零散的研究发现，并将其转化为可验证的假设。
Google DeepMindAI 评分2828 Google Co-Scientist 加速肝病机制发现，提出 MASH 组合疗法新假设
爱丁堡大学团队用 Google Co-Scientist 研究 MASH 肝病，系统整合肝脏生物学与药理学证据，提出 NLRP3 炎症小体是连接炎症与代谢的关键分子桥梁，该假设随后经实验验证。团队借此从海量潜在药物组合中筛选出可测试的候选联合疗法，并尝试解释 resmetirom 为何仅对少数符合条件的 MASH 患者有效。
Google DeepMindAI 评分3636 Google Co-Scientist 助力发现肝纤维化再利用药物，vorinostat 阻断 91% 损伤反应
斯坦福大学医学院遗传学家 Gary Peltz 团队用 Google Co-Scientist 从已有药物文献中筛选肝纤维化候选药，其提出的 3 个候选中有 2 个在活体人类肝细胞测试中阻断纤维化并促进肝细胞再生，而 Peltz 自己挑选的 2 个药物均无效。表现最突出的是抗癌药 vorinostat，阻断了 91% 可驱动肝硬化的损伤反应。相关研究已发表于 Advanced Science。
Google DeepMind精选AI 评分7474 Google DeepMind 发布 Co-Scientist 多智能体科研系统
Google DeepMind 在 Nature 发表 Co-Scientist 研究，这是一个基于 Gemini 的多智能体系统，可迭代生成、辩论和演化科学假设，并通过“想法锦标赛”以 Elo 排名筛选最优假设。
推荐理由：DeepMind 公开 Co-Scientist 的多智能体架构与真实科研案例，可了解 AI 参与假设生成的具体流程。
Google DeepMind精选AI 评分6262 Google DeepMind 发布 AI co-clinician 医疗 AI 研究计划
Google DeepMind 宣布 AI co-clinician 研究计划，探索 AI 智能体在医生临床监督下协助患者诊疗的“三方照护”模式。
推荐理由：DeepMind 公开 AI co-clinician 研究，含 98 例初级保健查询与 140 项问诊技能盲评数据，可了解医疗 AI 当前能力边界。
Google DeepMind精选AI 评分6262 Google DeepMind 发布 Decoupled DiLoCo 分布式训练架构
Google DeepMind 发布 Decoupled DiLoCo 分布式训练架构，将训练拆分为异步通信的计算孤岛，降低带宽需求并隔离硬件故障。测试中该系统在整块 learner unit 掉线后仍能继续训练并重新接入，用 Gemma 4 模型达到与传统训练相当的基准性能。
推荐理由：原文给出跨数据中心异步训练在带宽、容错与混合硬件上的实测结果，可据此判断分布式预训练的工程取舍。