Google Research 提出可教练健康年龄与传感器世界模型,用可穿戴设备做个性化健康指导
Google Research 提出一套研究框架,用可穿戴设备数据构建可解释的“可教练健康年龄”(CHA),并训练传感器世界模型 SensorWM 模拟未来 12 周的健康轨迹。
Google Research 提出一套研究框架,用可穿戴设备数据构建可解释的“可教练健康年龄”(CHA),并训练传感器世界模型 SensorWM 模拟未来 12 周的健康轨迹。
Google DeepMind 发布 AlphaProof Code,一个多 LLM 智能体框架,用 AI 智能体对 Signal 协议实际代码的关键安全属性做形式化验证。
推荐理由:读者可了解多 LLM 智能体如何把形式化验证从设计层推进到实际编译代码,以及四周完成原本需数年的验证任务。
Google DeepMind 发布 SatWeave 和 PARDIG 两个基础数据集,它们是近期发布的 WeatherNext 3 模型取得进展的关键。
Google Research 在 Nature 发表 AI-PPG-ACC-HTN 系统,仅用智能手表的 PPG 与加速度传感器数据、无需袖带校准即可被动识别高血压状态。
推荐理由:研究以 24 小时动态血压监测为金标准,对比智能手表无袖带筛查与诊室测量的灵敏度、特异度,可了解被动筛查路径的可行性边界。
Google Research 提出 Agile Deliberation 框架,把主观 AI 分类器的定义过程变成人机迭代对话,先由 AI 协助用户澄清自身定义,再构建分类器。
Import AI 第 479 期介绍了 Realtime-Bench,这套基准包含 50 个交互式游戏与网页任务,用于评测模型在实时决策场景下的表现。在 wall clock 真实延迟设置下,GPT-6 Astra(high)通过率最高,为 36%;而在暂停时钟条件下,高推理模型可接近 70% 至 80%。
Google 研究团队提出 sleep 框架,让 LLM 在活跃交互与离线睡眠两个阶段间交替,把短期上下文巩固进长期参数。睡眠阶段通过 MoE 参数扩展、基于 GKD 与 RL 的知识播种及随机专家激活的梦境自训练完成巩固,在 BABILong 上支持最长 10M token 的长上下文,并在 AIME 24/25 与 HMMT 25 上分别取得 79.2%、69.0% 和 46.1% 的准确率。
Google Research 在 JAMA Network Open 发表研究,用 AI 解读未经专业超声培训的操作者采集的盲扫超声图像来估算孕龄。在 385 名 16 至 36 周孕妇的队列中,模型平均绝对误差为 4.18 天,专家标准流程为 4.48 天;芝加哥适配后为 4.10 天,内罗毕零本地优化下为 4.27 天。研究还记录了可换电池、模型置信度估计等实际部署经验。