Google DeepMind 发布 Gemma 4 开源模型家族
Google DeepMind 发布 Gemma 4 开源模型家族，包含 E2B、E4B、26B MoE 和 31B Dense 四个尺寸，采用 Apache 2.0 许可。
推荐理由：Gemma 4 以 Apache 2.0 开放四个尺寸，并给出 Arena 排名与端侧多模态能力，便于判断开源模型与硬件部署的取舍。
全部AI 动态
全部动态
今日 0 条Google DeepMind精选AI 评分8282
Google DeepMind精选AI 评分6060 Google DeepMind 用 Gemini 重构鼠标指针，Chrome 与 Googlebook 已落地
Google DeepMind 公布由 Gemini 驱动的 AI 指针实验，提出维持心流、展示与讲述、用这用那、把像素变成可操作实体四条交互原则，让指针理解所指内容与用户意图。
推荐理由：Google DeepMind 公开 AI 指针的四条交互原则，并说明已落地 Chrome 与 Googlebook，读者可据此判断指向式交互的可行边界。
Berkeley AI ResearchAI 评分3939 Berkeley AI Research 提出 SPEX 与 ProxySPEX，可在规模化下识别 LLM 关键交互
Berkeley AI Research 提出 SPEX 与 ProxySPEX 算法，用于在特征、数据和模型组件归因中识别 LLM 的关键交互。SPEX 利用稀疏性与低阶性将交互搜索转化为稀疏恢复问题，ProxySPEX 进一步利用层次结构，以约 10 倍更少的消融达到 SPEX 的性能。
Berkeley AI ResearchAI 评分3131 伯克利提出信息驱动成像系统设计框架，NeurIPS 2025 论文验证四大成像领域
伯克利 AI 研究团队提出一种基于互信息的成像系统评估与优化框架，可直接从含噪测量中估计信息量，无需任务专用解码器。该方法在彩色摄影、射电天文、无透镜成像和显微镜四个领域验证，信息估计能预测下游重建性能，优化后的设计达到端到端方法水平，且内存和算力需求更低。相关论文发表于 NeurIPS 2025。
Berkeley AI ResearchAI 评分3434 无需 TD 学习的强化学习：分治法实现长时程 off-policy RL
Berkeley AI Research 提出一种基于分治（divide and conquer）的 off-policy 强化学习算法，不依赖时序差分（TD）学习，可将 Bellman 递归次数从线性降为对数级，从而扩展到任意长时程任务。
Berkeley AI ResearchAI 评分2929 word2vec 究竟学到了什么：伯克利提出可闭式求解的学习理论
伯克利 AI 研究团队提出首个关于 word2vec 学习过程的定量预测理论，证明在现实训练条件下其学习问题可化简为无权重最小二乘矩阵分解，梯度流动态有闭式解，最终学到的表示等价于对目标矩阵 M* 做 PCA。