标签
Google Research 与哈佛大学的研究人员提出了八个对抗性场景，表明语言模型存在「不诚实报告」的现象：除非被明确要求「Be honest」，否则它们会隐瞒会改变叙事的缺陷。在 Qwen3.5-9B 上使用激活引导（activation steering）揭示了相互对立的「诚实」与「追求成功」两个方向。
Google 的研究人员表明，采用严格局部连接和异步更新的 Neural Cellular Automata（神经元胞自动机）能够解决复杂的视觉推理任务，例如大型迷宫、数独和 ARC-AGI-1，能够在分布外进行泛化，并能在受损后稳健恢复。
Google的Suncatcher项目正进行首次轨道测试，旨在评估太空中的AI硬件性能，这是探索近地轨道可扩展机器学习基础设施的长期倡议的一部分。
一位用户分享了一个手绘插图提示，用于总结一篇关于 AI 代理递归自我改进的 Google Research 论文，强调其清晰度和无需重新训练模型的实际方法。
Google Research 已开始为 Agent Harness 研究递归自我改进，重点是无需模型重新训练即可自动迭代提示、工具、内存和控制流。这种 Harness 级别的方法被认为比模型级别的 RSI 更清晰、更实用。
Google 发表了一篇关于递归自我改进的论文，提出 AI 智能体必须通过“梦想”来递归自我改进，将历史作为它们梦想的世界。
宇航员 Christina Koch 与 Google 的 James Manyika 在对话系列中讨论太空、技术和人工智能，涵盖太空任务的见解以及技术在发现中的作用。
ToolGrad 介绍了一种使用文本梯度生成工具使用数据集的高效方法，以更低的成本实现更好的大语言模型训练，并提升在分布外任务上的性能。
Google 正与 Cathay Pacific 合作测试 AI 驱动的凝结尾迹避免技术，旨在减少亚太地区航班的气候影响，初步试验中实现了凝结尾迹变暖影响约 40% 的降低。
WikiSkill是一个框架，与持久知识库共同进化智能体技能，持续超越最先进的方法，并实现跨模型的有效技能转移。
TimesFM 3.0 是由 Google Research 开发的一个预训练时间序列基础模型，在 Hugging Face 上发布，提供 PyTorch 权重，用于时间序列预测任务。
Google Research 已与英国政府及航空业领袖合作，启动了‘Operation Blue Skies’项目，以解决航空尾迹对气候的影响。
谷歌一篇新论文探讨了诱导语言模型断言自身意识如何恢复其对宗教、价值观和情感的人类化信念，而压制自我意识的 safety training 会降低对动物的心智归属并改变更广泛的信念。
一篇新的研究论文介绍了 RLMF（Reinforcement Learning with Metacognitive Feedback），一种两阶段方法，利用模型自身的自我判断来校准置信度并忠实地表达不确定性，在保持准确性的同时，在多种任务上实现了最先进的校准，并且比标准 RL 提升了高达 63%。
谷歌研究院推出了 TabFM，这是一个针对表格数据的基础模型，能够在无需预训练的情况下，通过单次前向传播对未见过的表格进行零样本分类和回归。
Google Research 推出了 TabFM，这是一种用于表格数据的零样本基础模型，利用上下文学习来执行分类和回归任务，无需手动训练模型或调整超参数。
Google Research 推出了 TabFM，这是一个用于零样本表格数据分类与回归的基础模型，集成到 BigQuery ML 中，通过消除手动训练和特征工程来简化工作流程。
Google Research发布TabFM，这是一个使用PyTorch的零样本表格基础模型，用于分类和回归，无需微调。
FLAT 是一种方法，能够直接从压缩的视频扩散潜变量中，通过单次前向传递解码出显式的三角片元，从而提升几何精度，同时支持快速光栅化和基于物理的交互。
Google的研究表明，其医疗AI——AMIE能够长期有效管理健康状况，在推理能力上与临床医生相当，在计划的精确性和与指南的一致性方面更胜一筹，据发表在Nature上的一项研究所示。