AlphaProof 與 AlphaGeometry 2 如何在 IMO 2024 達到銀牌水平
Google DeepMind 的 AlphaProof 與 AlphaGeometry 2 在 IMO 2024 解出六題中的四題,合共取得 28 分,達到銀牌水平。
Google DeepMind 的 AlphaProof 與 AlphaGeometry 2 在 IMO 2024 解出六題中的四題,合共取得 28 分,達到銀牌水平。
Magnus 比較 Gemini 4 Argon、Carbon、Hydrogen 和 Neon 的公開評測,分析推理、編碼、多模態任務及每項通過驗收結果的成本。
Google 發佈 Gemini 4 Neon,定位介乎 Gemini 4 Hydrogen 與 Gemini 4 Carbon 之間,並開始在 Gemini API、Gemini for business、Google Antigravity 及 Gemini app 推出。
推薦理由:文章以 Carbon 為參照比較 Neon 的排名、輸出速度與任務成本,並指出成本較低源於 token 定價較低,而非答案較短。
Google 於 2026 年 11 月 18 日發佈 Gemini 4 Neon,定位為快速完成軟件工程、知識工作及科學任務的前沿模型。
推薦理由:Activepieces 獨立測試中,Neon 完成 3/3 項任務,GPT-5.4 mini 完成 2/3;但 Neon 中位延遲為 6.4 秒、單項成本約高 54 倍,呈現自動化流程的取捨。
Google 於 2026年11月18日發佈 Gemini 4 Neon,並開始在 Gemini 應用程式及 Gemini API 等服務中陸續提供。
推薦理由:推理深度設為 high 時,Gemini 4 Neon 與 Carbon 在 Artificial Analysis Intelligence Index 均得 60 分;Neon 每項任務需 14.8 分鐘,Carbon 約 36 分鐘。
Google DeepMind 發佈 Gemini 4 Neon,這是約七星期內推出的第四款 Gemini 4 模型。Neon 每百萬 tokens 的輸入、快取輸入及輸出價格分別為 $3、$0.15 和 $15,並提供 1M-token 上下文窗口及四個 effort levels。
Google DeepMind 發佈 Gemini 4 Neon,這款推理模型提供 1M-token 統一上下文,並在 AA Coding Agent Index 得分 58.6、排名第一。
Google DeepMind 正在推出 Gemini 4 Neon,定位為面向編碼、研究和商業工作的低成本前沿 AI 模型。輸入 token 定價為每百萬 $3,快取輸入 token 每百萬 $0.15,輸出 token 每百萬 $15,並提供 1 million-token 上下文窗口。
Google 發佈 Gemini 4 Neon,並開放世界模型 Genie 4 使用。Neon 速度為 Carbon 的 3 倍、成本為其 60%,上下文窗口為 100 萬 token(https。
推薦理由:文章並列 Gemini 4 Neon 的速度、成本與評測數據,以及 Genie 4 的互動能力和開放安排,呈現 Google 兩項產品更新的不同重點。
Google DeepMind 發佈 Gemini 4 Neon;Neon (xhigh) 的 Intelligence Index 得分為 61,較 Gemini 4 Carbon (high) 高 1 分。
Gemini 4 Hydrogen 在 Artificial Analysis Intelligence Index 的預設 high 思考層級得分為 51,高於 Argon 的 50,xhigh 得分為 54。
推薦理由:文章把 Gemini 4 Hydrogen 的分項基準、思考層級與任務成本並置,呈現綜合指數背後的工作類型取捨及路由判斷依據。
Google 將 Gemini 4 Hydrogen 定位為速度取向模型,稱它在預設推理設定下完成任務的速度是 Gemini 3.8 Flash 的 2.5 倍。
Google 發佈 Gemini 4 Hydrogen,面向編碼及 Agent 工作,並稱其速度較 Gemini 3.8 Flash 快 2.5x。它提供 1,048,576-token 統一窗口,僅透過 Google 託管 API 提供,定價為每 1M input tokens $1.50、每 1M output tokens $7.50。
作者以 15 項本機測試評估 Gemini 4 Hydrogen,指出它在多項任務中比 GPT-6.1 Sol 速度更快、Token 用量更少,但複雜物理任務仍不及 Carbon。
Google DeepMind 宣稱 Gemini 4 Hydrogen 面向快速編碼、多模態整合及日常工作,完成任務的速度是 Gemini 3.8 Flash 的 2.5 倍。
Google DeepMind 發佈 Gemini 4 Hydrogen,主打日常編碼及智能體工作流程中的快速執行,並即日起在開發者、企業及消費者產品渠道全球推出。
推薦理由:文章以 Gemini 3.8 Flash 為對照,列出 Hydrogen 在任務速度、Terminal-Bench 4.1 成績及多項安全指標上的變化,呈現更新涵蓋的能力範圍。
Google 於 2026 年 11 月 11 日宣佈 Gemini Decision 1,可在單次 API 呼叫中對最多 1,000 個問題評分,並回傳概率及信心分數。
推薦理由:文章並列 Google 自家基準與獨立排行榜,呈現 Gemini Decision 1 的測試優勢及排名落差,説明它在不同評測口徑下的定位。
Google DeepMind 發佈基因組研究 AI 模型 AlphaGenome 2,根據指定生物狀態預測 DNA 序列及變異對特定細胞類型的影響。
Google DeepMind 發佈新一代 DNA 序列模型 AlphaGenome 2,將基因變異影響預測由組織平均層面推進至單個細胞類型與細胞狀態層面。模型以超過1億個單細胞圖譜數據訓練,涵蓋68個組織的人類與小鼠樣本;在28種原代免疫細胞測試集中,因果變異識別比例由16%升至30%,在90%精度下召回率翻倍。模型現免費開放予非商業研究,商業研究須申請私有預覽,且未獲臨牀或診斷用途許可。
Google DeepMind 於 11 月 11 日發佈 AlphaGenome 2,將基因變異影響預測由組織平均細化至指定細胞類型或細胞狀態。TenK10K 測試中,其因果變異比例為 30%,高於單細胞數據微調後第一代 AlphaGenome 的 16%,效應方向預測則為 43% 對 23%。
文章比較 PLaMo 3 Translate 與 TranslateGemma,建議離線日語翻譯或在手機、小型手提電腦上使用時先試 PLaMo 3 Translate。
DeepMind 發佈新一代 DNA 序列模型 AlphaGenome 2,加入單細胞數據以預測遺傳變異在不同細胞類型及狀態下的影響。在涵蓋 28 種原代免疫細胞的測試中,模型識別出約 30% 的相關因果變異,第一代經單細胞數據微調後為 16%;AlphaGenome 2 已透過 AlphaGenome API 向非商業研究開放,商業研究則處於私有預覽階段。
Google DeepMind 於 11 月 12 日推出新一代基因組 AI 模型 AlphaGenome 2。模型以 1.07 億單細胞圖譜訓練,可預測 DNA 序列及其變異對特定人類細胞類型和狀態的影響。致病變異識別率達 30%,目前開放非商業研究使用。
Google DeepMind 推出 AlphaGenome 2,可按目標組織、細胞類型或細胞狀態,預測 DNA 序列及其變異的影響。模型以超過 1.07 億個人類及小鼠單細胞圖譜訓練,覆蓋 68 種組織;在 28 種原代免疫細胞的 TenK10K 測試中,致病因果變異識別率為 30%,上一代微調後為 16%,基因表達變化方向識別率則為 43%,上一代為 23%。
Google DeepMind 發佈 DNA 模型 AlphaGenome 2,按指定細胞狀態預測變異效應,輸入為 1 Mb DNA 序列。在 TenK10K 單細胞 eQTL 評測中,模型於 90% precision 下召回 30% 因果變異,高於微調版 AlphaGenome 1 的 16%;它亦可利用原始 scRNA-seq counts 建立新細胞狀態嵌入,無需微調。
Google DeepMind 推出 Gemini Decisions API,底層模型 Gemini Decision 1 可在單次處理中評估最多 1,000 個互相獨立的問題。
Google DeepMind 發佈 Gemini Robotics 2.5,並宣佈 AlphaGenome 2,分別更新機械人操作及 DNA 序列功能預測。Gemini Robotics 2.5 在不同任務的評測成功率為 30% 至 100%,完成任務的速度較前一版本快 20% 至 30%;在 Mercedes-Benz 的實際概念驗證中,汽車零件包裝成功率為 96%。
Google DeepMind 發佈 AlphaGenome 2,預測遺傳變異對個別細胞類型及狀態的影響,提供比 AlphaGenome 更細緻的分析。模型以超過 100 million 個細胞剖面訓練,涵蓋 68 種組織;Google 稱它識別出可改變細胞基因表達的變異數量,接近前一個最先進模型的兩倍。
Google DeepMind 發佈 AlphaGenome 2,預測 DNA 序列及其變異對特定人類細胞類型的影響,連接單細胞生物學與人類遺傳學。模型以來自 68 種組織、超過 1.07 億個細胞的單細胞資料訓練,可按指定細胞類型或狀態預測基因表達等讀數,並新增 DNA 甲基化預測。
推薦理由:AlphaGenome 2 在 TenK10K 數據集上將因果變異識別率由 16% 提升至 30%,呈現其針對特定免疫細胞解析變異效應的改進。
Google DeepMind 於 2026年11月11日發佈 AlphaGenome 2,按指定組織、細胞類型或細胞狀態預測 DNA 變異對基因調控的影響。
Google DeepMind 發佈 DNA 序列模型 AlphaGenome 2,從寬泛組織平均預測轉為按單一細胞類型或狀態進行條件式預測。模型以超過 1.07 億個單細胞圖譜訓練,較此前最優模型可識別近兩倍數量、能改變細胞基因表達的變異。目前模型透過 AlphaGenome API 開放非商業研究,商業研究仍處於私密預覽階段;模型僅供研究,未經臨牀或診斷用途驗證與審批。
Google DeepMind 發佈新一代 DNA 序列模型 AlphaGenome 2,可預測 DNA 序列及其變異對特定人體細胞類型的影響。在 TenK10K 數據集測試中,模型識別因果變異的比例為 30%、基因效應方向判斷準確率為 43%,初代 AlphaGenome 分別為 16% 和 23%。
Google DeepMind 的 AI 模型可令氣象預報平均提早一天達到原有模型的準確度,並已納入美國國家颶風中心(NHC)部分路徑和強度預測輔助系統。預測伊薩亞斯時,模型在風暴形成前一週識別出它可能發展為熱帶氣旋,並可為每個氣旋生成 1000 種發展情景,同時預測降雨、路徑和強度。單一模型可能在不同預報時段大幅調整判斷,專家仍須綜合模型結果,並結合飛機和衞星即時觀測判斷風暴結構。
Google DeepMind 推出 Gemini Robotics 2.5,並向 Google 的機械人合作夥伴開放;該模型在梅賽德斯-奔馳生產線的汽車零件分揀任務中達到 96% 成功率。
Google DeepMind 於11月10日發佈 Gemini Robotics 2.5,稱其在200多項任務測試中,部分任務成功率較此前基準相對提升30%至100%,執行速度提高20%至30%。
Google DeepMind 正式開放 Gemini 4 Carbon,開發者及企業可透過指定產品和 API 使用,科研人員可申請研究計劃,普通消費者則須訂閲 Google AI Ultra。
推薦理由:文章對照 Gemini 4 Carbon 與 Argon 的任務定位,並整理 API 價格和開發者、企業、消費者等不同羣體的使用入口。
Google DeepMind 表示,Gemini Robotics 2.5 協助 Apptronik 的 Apollo 2 人形機械人在 Mercedes-Benz 生產線測試中分揀汽車零件,成功率達 96%。
Google DeepMind 宣佈 Gemini 4 Carbon 開放使用,並公佈 AlphaProof Code 以其驅動多個 AI Agent,四周內為 Signal 核心實現生成約 650 萬行 Lean 證明程式碼。
推薦理由:文章把 Gemini 4 Carbon 的長週期推理能力,連到 AlphaProof Code 對 Signal 編譯後程式碼的形式化驗證案例,具體呈現多個 Agent 如何結合 Lean 與機器檢查。
Google 正式開放 Gemini 4 Carbon,供開發者、企業、科研人員和消費者使用,主打複雜軟件工程、科學研究與網絡安全。模型已透過 Gemini API 和 Google AI Studio 向付費開發者開放,統一上下文窗口為 1,048,576 Token,標準同步請求最多輸出 65,536 Token。
推薦理由:文章並列 Gemini 4 Carbon 的開放渠道、上下文規格與漏洞測試成績,呈現其面向複雜編程和安全研究的任務定位。
Google 開放 Gemini 4 Carbon,稱其為目前能力最強的推理模型,面向複雜軟件工程、多步驟智能體任務、科學研究及網絡安全。
推薦理由:文章對照 Gemini 4 Carbon 與 Gemini 4 Argon 的任務定位,並列出 Carbon 的開放渠道、上下文規格與定價,呈現 Google 面向長週期複雜工作的模型部署安排。