Google 宣布将统一 AI 智能体引入 Gemini，先面向企业用户推出可执行任务的 Agent。该智能体可接收目标、规划工作、调用技能和工具，并连接企业内部系统与 MCP server。用户可选择包括 Anthropic 的 Claude 模型在内的模型，智能体还将通过 Workspace 账号、任务收件箱和审计记录参与企业协作。
推荐理由：文章具体梳理了 Gemini 企业智能体的任务机制、系统连接和审计方式，便于理解 Google 如何将 Agent 能力接入企业工作流。
Google Research 对 11 家知识产权律所的 133 名律师开展为期三个月的现场实验，研究 AI 辅助对专利撰写表现和未使用工具时专业判断的影响。AI 工具使撰写评分在第 10 天提升 0.34 SD、第 90 天提升 0.38 SD；但撤除 AI 后，红线修订任务的整体优势主要来自资深律师，初级律师没有明显改善。
推荐理由：这项为期三个月的专利撰写实验区分了 AI 提升即时产出与培养长期判断力的效果，并比较了资深与初级律师在工具撤除后的表现。
Google DeepMind 发布 EmbeddingGemma 2，将文本、代码、图像、视频和音频映射到统一嵌入空间，面向端侧推理。
推荐理由：EmbeddingGemma 2 将文本、图像、音频和视频统一到共享嵌入空间，并公开端侧内存、上下文和向量压缩数据，便于判断其本地检索适用性。
Google Research 使用 Population Dynamics Foundation Model（PDFM）的隐私保护位置嵌入，评估其在五类公共卫生任务中的表现。
推荐理由：文章把 PDFM 放入五类公共卫生任务中比较，具体结果展示了地理嵌入在跨境免疫、疾病预测和资源规划中的可迁移价值。
Google Research 发布基于 Trusted Execution Environments（TEEs）的新一代联邦学习系统，为服务器端数据处理提供可验证、可审计的匿名化保障。
推荐理由：文章把 TEE、访问策略、公开透明日志与可复现构建串成一套联邦学习架构，具体呈现服务器端处理如何获得可审计的隐私保障。
Google 发布新模型 Gemini 4 Argon，面向软件工程、企业知识工作和网络安全防御等复杂长流程任务，当前先向 Fairwind Program 的可信网络防御者开放。
推荐理由：原文将 Gemini 4 Argon 的长程推理、企业工作流与网络安全能力放在同一发布框架中，并给出价格、评测成绩和分阶段开放计划。
Google DeepMind 推出 SynthID Bio，可将不可感知且可验证的水印嵌入 AI 生成蛋白质的生物代码及预测结构中。在 VEGF-A、SARS-CoV-2 spike protein RBD 和 PD-L1 三种靶蛋白的湿实验中，水印设计保持了命中率、结合亲和力和自然序列多样性。
推荐理由：文章把 AI 生成蛋白质的来源追踪与实验功能验证结合起来，具体展示了水印在序列和三维结构中的嵌入方式及三种靶蛋白上的测试结果。
Google Research 介绍一套基于 Gemini 和 Veo 的 AI 视频协导演示研究，通过多智能体编排视觉连续性，生成分钟级长视频并缓解视觉漂移与流水线错误传播。
推荐理由：文章将长视频生成拆解为创意编排、视觉记忆、时序扩展和闭环优化四个框架，并给出对应基准结果，便于理解一致性问题的解决路径。
Google DeepMind 在 Gemini Enterprise 推出 Gemini 3.8 Live with Live Avatar，为实时对话加入近实时视觉化身。
推荐理由：原文集中说明了 Live Avatar 如何结合近实时视频、语音和后台工具调用，并交代了 97 种语言、定制化身与 SynthID 水印等落地细节。
Google DeepMind 发布 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS，分别面向创意声音设计与高吞吐、成本高效的语音生成。
推荐理由：原文同时交代两款 TTS 模型的定位、声音定制与逐句导演能力，以及 Google AI Studio 和 Gemini API 的开放入口，便于判断其创作与部署场景。
Google DeepMind 发布 Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking，分别面向规模化语音交互与高复杂度、多步骤推理任务。
推荐理由：原文同时给出两款模型的定位、语音交互能力、基准成绩与开发者和企业端入口，便于比较其适用场景。
Google DeepMind 推出 AlphaGenome Atlas，提供人类基因组 9 billion 个单核苷酸变异的分子影响预测。该平台包含 1-petabyte 数据集，并通过 AVI score 汇总 AlphaGenome 与 AlphaMissense 的预测，支持变异排序和功能解释。
推荐理由：文章展示了 AlphaGenome Atlas 如何用 9 billion 个变异预测和 AVI score，帮助研究者筛选罕见病及复杂性状相关的遗传变异。