Google Research 提出 Diffusion Controller 框架，将去噪过程重构为连续控制问题，用轻量级"转向阻尼"网络在不改动基座模型的情况下引导生成。基于 Stable Diffusion v1.4 的实验用 HPS-v2 评测，涵盖 SFT、RWL 和 PPO 三种微调方式，其完全解锁版本相对基线模型达到 90% 胜率，并且能在不接触底层代码的情况下控制闭源模型。
Google Research 推出 AI 视频联合导演研究，基于 Gemini 和 Veo 构建统一多智能体框架，包含 Co-Director、CANVAS、A²RD 和 VQQA 四套框架，将长视频生成建模为全局优化与世界状态跟踪问题。
Google Research 推出 MilleMiglia，一个用 C++ 编写的实例生成器，可为中程（middle-mile）物流配送问题创建逼真的基准数据，源代码和文档已在 GitHub 上开源。中程物流负责区域或洲际尺度上配送中心之间的大宗货物运输，占总物流成本的相当大比例，但因数据敏感长期缺乏公开高质量数据。该工具将问题建模为时空图上的多商品流问题，可生成保护隐私的数据以支持后续研究。
Google Research 在 ICML 2026 论文中提出 Retrieve-for-Train 框架，通过离线 RL 将奖励对齐的查询 fan-out 编译为监督信号，蒸馏进 53.9M 参数的扩散检索器，实现单次非自回归查询扩展，免去测试时的 CoT 思考 token 开销。
Google Research 在 ACL 2026 提出 ToolGrad，采用“先答案后提问”的范式生成工具使用训练数据，通过文本“梯度”迭代构建 API 调用链，几乎达到 100% 通过率且成本更低。
Google Research 评估了将基于 UK Biobank 数十万欧洲个体训练的多基因风险分数（PRS）迁移到 Biobank Japan 约 20 万日本个体样本的效果，覆盖 BMI、血压、HDL、LDL、血糖等 8 项临床性状。
Google Research 与 HHMI Janelia、MRC 分子生物学实验室及剑桥大学等合作，在 Cell 发表雄性果蝇大脑与中枢神经系统的完整连接组，包含超过 166,000 个神经元和 1.25 亿个突触连接，是目前按神经元数量计最大的大脑图谱。
推荐理由：官方团队说明了这份连接组图谱的规模、验证方式和可视化工具，读者可以了解它与雌性图谱互补后的研究用途。
Google 与 NASA JPL 在 PNAS 发表 MAPL-EMIT，一个基于 Swin-S vision transformer 的深度学习框架，用 EMIT 高光谱数据自动检测、量化并定位全球甲烷羽流。
Google Earth AI 推出实验性研究能力行星预测引擎（PPE），可从自然语言查询出发自主完成数据发现、特征工程、模型训练与评估的完整地理空间预测流程，将原本需数周的人工建模缩短到数分钟。
Google Research 推出 GlucoFM，一个自监督双流架构的连续血糖监测（CGM）基础模型，将缓慢血糖趋势与短期波动分开建模。该模型在 109,066 小时无标注 CGM 数据上预训练，在 4 个队列、7 项临床预测任务共 14 项评估中，平均 PR-AUC 比最强基线 GluFormer 高 5.8 个百分点，并在餐后血糖反应预测中取得最低 MAE。
Google 在 CHI 2026 发表 AgentHands，一个让 XR 中 AI 智能体生成与语音同步的 3D 手部手势的研究原型。系统由环境感知、手势事件库、手势嵌入推理和同步 XR 执行四个模块组成，将 LLM 输出映射为精准的空间动作。在 12 人被试内实验中，与纯语音基线相比，该手势显著提升了空间指代与交互效果。
Google Research 推出 Mobility-Embedded POIs（ME-POIs）框架，将聚合、匿名的出行模式融入 Gemini 等语言模型生成的地点表示，捕捉 POI 的时间活动节奏。
Google Research 提出 PhotoScan，一个研究性质的深度学习框架，可从普通 2D 智能手机照片估计体脂率（BF%）、Android-to-Gynoid 脂肪比（A/G）和内脏-皮下脂肪比（V/S）等三维身体成分指标。
Google Research 发布 knowledge profiling 行为框架和 WikiProfile 基准（2,150 条 Wikipedia 事实，每条配 10 个任务），评估 13 个 LLM。
推荐理由：原文用知识画像方法区分编码与召回失败，给出 frontier 模型事实错误主因是召回的关键数据。
Google DeepMind 在 Nature 发表论文并开源 WeatherNext 2 和 WeatherNext Cyclones 模型，称其对气旋路径、强度和风结构的预报平均比现有模型多出约 24 小时提前量，相当于约十年气象学进展。
推荐理由：官方同时放出 Nature 论文与模型权重，读者可按论文结果自行复用或验证这套气旋预报方法。
Google Research 发布 Chain-of-Evidence 可验证性框架及其实例 Science One Framework，配套 CoE Audit 自动审计指标。
Google Research 发布 SymptomAI 研究，13,917 名参与者与五个 Gemini Flash 2.0 症状评估智能体对话进行鉴别诊断。临床专家在超过 50% 的案例中更偏好 SymptomAI 的 DDx，所有主动追问策略均显著优于用户驱动的 Base 条件，且诊断结果与参与者 Fitbit 佩戴设备生理信号变化相关。研究强调所有诊断仅供研究分析，不构成临床诊断。
推荐理由：原文给出真实人群随机研究和临床对照结果，读者可了解对话式症状评估在非理想化场景下的实际表现。
Google Research 在 Nature 发表论文，用强化学习智能体从量子纠错的错误检测事件中学习，在计算不停机的情况下持续调控数千个控制参数，抵御硬件漂移。
Google Research 在 ICLR 2026 发表的论文《On the Interpolation Effect of Score Smoothing in Diffusion Models》指出，扩散模型的创造力并非偶然，而是神经网络训练天然对 score function 产生的“score smoothing”效应所致。
Google Research 发布大型传感器基础模型 SensorFM，在 500 万名同意参与者的超过一万亿分钟多模态可穿戴信号上自监督预训练。模型输入 PPG、加速度计、EDA、皮温和测高五类模态共 34 个一分钟聚合特征，采用 AIM 框架直接从不完整数据中学习。
推荐理由：Google 自述其可穿戴基础模型的数据规模、AIM 缺失数据处理方法与下游结果，读者可了解可穿戴健康数据通用表示的可行路径。
Google Research 在 Nature Cities 发表首个大规模真实世界研究，测试用导航平台干预城市交通。团队修改 Google Maps 路由算法，在 10 个美国城市开展六个月的 city-wide switchback 实验，仅让不到 2% 的行程改走车程相近的替代路线。
Google Research 在 CIDR 发表线性弹性缓存方法，把页面逐出建模为“滑雪租赁”问题，用轻量级机器学习动态调整缓存大小，以最小化缓存管理总拥有成本（TCO）。该方法已在 Spanner 生产服务器上集成数月，相比固定大小缓存，内存占用降低 15.5%，cache miss 仅增加 5.5%，TCO 约降 5%，实际 I/O 成本影响仅 0.5%。
Google Research 将在 COLM 2026 发表的论文发现，开启链式推理可让 Gemini-2.5（Flash 和 Pro）与 Qwen3-32B 召回推理关闭时几乎无法给出的单跳事实答案。
推荐理由：论文给出两类机制实验和幻觉审计结果，读者可以据此理解推理为何能帮助单跳事实召回以及其局限。
Import AI 第462期汇总多篇研究：牛津等机构四项实验共18,978次对话显示AI说服力稳定超过专家人类，Opus 4.1和Opus 4.6最强，真人募捐实验中AI比专业募捐者多筹10.8个百分点。
Google Research 公布了关于 AI 皮肤科信息工具的多项研究，发表于 JAMA Dermatology 等期刊。一项 2,345 人参与的实验显示，借助 AI 工具的用户病症识别准确率达 23%，约为普通搜索对照组（8%）的三倍；接近医生"ground truth"的 "Wizard of Oz" 组达 36%。
Google Research 在 AISTATS 2026 提出 Regularized f-Divergence Kernel Tests，一个用于审计机器遗忘的统计测试框架，比传统 two-sample testing 更灵敏灵活。
Google DeepMind 公布在塞拉利昂开展的预注册对照试验结果，使用 Guided Learning 的学生数学成绩较对照组提升 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：原文给出预注册RCT的关键数据和开放式材料，读者可以了解AI辅助教学在真实课堂中的效果与局限。
King's College London、复旦大学与 The Alan Turing Institute 等构建了 SocioHack 基准，含 72 个沙盒社会环境（历史 32 个。
Google 在 Nature 发表 PHRM 研究系统，利用人脸解锁后前置摄像头拍摄的面部视频，通过深度学习估计心率，较 ECG 的 MAPE 低于 10%。
推荐理由：原文给出跨肤色验证数据与公开数据集入口，读者可以据此了解手机摄像头被动心率监测的精度与局限。
Google DeepMind 推出分布式训练架构 Decoupled DiLoCo，将训练拆分为异步通信的计算“孤岛”（learner units），隔离硬件故障对整体训练的影响。
Google Research 在 ICLR 论文中提出 ReasoningBank，一个从成功与失败经验中提炼结构化推理记忆的智能体记忆框架，并配套 MaTTS 记忆感知测试时扩展方法。
Google Research 在 TMLR 论文中推出 Simula，一种 seedless、agentic 的“推理优先”合成数据生成框架，将数据集生成重构为机制设计问题，通过全局多样性、局部多样性、复杂化与双 critic 质量检查四个可控轴独立调控覆盖面、复杂度和质量。
Google Research 的 MoGen 模型用点云流匹配生成合成神经形态，加入 PATHFINDER 训练数据后使重建错误率降低 4.4%，主要减少 merge 错误。在完整小鼠大脑尺度上，这相当于节省 157 人年的手工校对工作。该研究将在 ICLR 2026 发表，MoGen 已开源。
Google Research 推出 ConvApparel 数据集，包含 4,000 多段服装购物领域的人机多轮对话（近 15,000 轮），用于量化 LLM 用户模拟器与真实人类行为的真实感差距。
Google Research 提出一个评估 LLM 行为倾向与人类对齐程度的框架，基于 IRI、ERQ 等心理学量表生成情景判断测试（SJT），比较模型与 550 名参与者（每个 SJT 10 名标注者）的偏好分布。
Google Research 在论文 "Forest vs Tree: The (N,K) Trade-off in Reproducible ML Evaluation" 中研究了评测基准中条目数量与每条标注者人数的权衡。
Google Quantum AI 团队在白皮书中更新了破解 ECDLP-256 的量子资源估算，给出两种 Shor 算法电路，分别使用不到 1,200 逻辑比特和 9,000 万 Toffoli 门、不到 1,450 逻辑比特和 7,000 万 Toffoli 门，并估计在超导量子计算机上以不到 50 万物理比特数分钟内完成，所需物理比特较此前估算降低约 20 倍。
Google 推出 TurboQuant 压缩算法（ICLR 2026），在零精度损失下大幅缩减模型体积，同时支持 KV cache 压缩和向量搜索。其核心依赖 QJL 的零开销 1-bit 技巧与 PolarQuant 的极坐标压缩，消除了传统向量量化每数字 1-2 bit 的内存开销。
Google Research 在 Earth AI 计划下推出 S2Vec，一个自监督框架，可将建筑环境转化为通用嵌入向量。它先用 S2 Geometry 将地球表面划分为分层 cell，再把特征栅格化为多层图像，并通过掩码自编码（MAE）无需人工标签地学习位置特征。
Google Research 与多家 NHS 机构合作开展 AIMS 研究，两项发表于 Nature Cancer 的研究评估 AI 乳腺癌检测系统。
推荐理由：Google 与 NHS 合作的两项 Nature Cancer 研究给出 AI 乳腺筛查的实测数据与人机工作流对比，读者可了解落地中的真实瓶颈。