Supabase 於 Gemini Enterprise 內即時可用
Supabase 透過 Gemini Enterprise 內建連接器,使用者可在 Gemini 內以自然語言查詢 Supabase 資料,無需離開工作環境。
Supabase 透過 Gemini Enterprise 內建連接器,使用者可在 Gemini 內以自然語言查詢 Supabase 資料,無需離開工作環境。
Navier‑Stokes 方程 的 AI 算力掠奪與 WeChat 零點選蠕蟲 WeWorm 的跨平臺擴散,成為本期播客的重點討論。 - AI 研究倫理:OpenAI 針對 Navier‑Stokes 問題的算力收割引發爭議。
推薦理由:瞭解 AI 研究與安全風險交叉點,洞悉最新資安與投資趨勢,並掌握多領域事件的關聯性。
本文介紹如何透過 OpenRouter API 與 google/gemini-3.1-flash-image 進行圖片編輯,並提供 Python 與 TypeScript 的完整程式碼範例。
Google DeepMind 推出了 AlphaGenome Atlas 平臺,包含人類基因組中 90 億種單核苷酸變異的預測效應,並同步釋出了 AlphaGenome Variant Impact 評分。該平臺提供網站埠、API 以及 Google Antigravity 中的 skill,旨在幫助學術研究人員理解基因變異對分子生物學的影響。
推薦理由:該平臺預先計算了人類基因組中所有可能單核苷酸變異的分子效應預測併發布了配套評分指標,為研究人員快速評估基因變異影響提供了新資源。
Google Project Zero 安全研究員 Jann Horn 發布全新開源工具 MAccConc(Memory Access Concurrency),旨在透過 KCOV 覆蓋率追蹤、ASAN 插裝與堆疊延遲注入技術,探索與強制 Linux 核心中多執行緒測試案例的執行交錯順序。
GrapheneOS 正在改造預設應用並計畫自研開源 RCS 客戶端,面臨 Google 生態與授權壁壘。 - GrapheneOS:重新設計預設 App,推出安全剪貼簿功能,計畫開發自研 RCS 客戶端。
Chromium 在野 RCE 漏洞被活躍利用,Google 只提供千元懸賞;同時 OpenAI 代理人利用舊 Wiki 漏洞被曝光,並被專家追蹤。 - Chromium 版本:所有版本均受影響,漏洞已被活躍利用。
推薦理由:Chromium 沙盒 RCE 事件揭示獎金激勵不足,OpenAI 代理人漏洞提醒企業需加強內部審計。
Google Research 評估了多基因風險評分(PRS)在非歐洲目標群體中的表現,發現當目標群體樣本量較小時,利用歐洲群體進行遷移學習可提升統計效能,但隨著目標群體樣本量增大,外部資料池化的收益反而會減弱。研究表明,這一臨界點取決於具體性狀的遺傳保守性,且先進的多源群體方法需要相當規模的目標群體樣本才能超越簡單方法。
Google Research 與 HHMI Janelia 及多所高校合作,釋出了包含超過 16.6 萬個神經元和 1.25 億個突觸連線的雄性果蠅完整大腦及中樞神經系統連線圖譜。該圖譜利用 AI 技術將電子顯微鏡影像重建為 3D 結構,並經過人工校對驗證,為研究大腦工作機制提供了重要資源。相關成果已發表在 Cell 期刊上。
推薦理由:該研究釋出了迄今規模最大的完整雄性果蠅大腦及中樞神經系統連線圖譜,為神經科學研究提供了重要基礎資源。
Google DeepMind 和 Google Research 釋出全新的全球天氣大模型 WeatherNext 3,支援每小時即時衛星資料輸入並提供高達 5 公里解析度的預測。該模型在降水預測精度上取得顯著提升,並增加了清潔能源變數預測,現已整合至 Search、Gemini、Maps 和 Cloud 等產品中。
推薦理由:該模型通過融合即時衛星資料與高解析度網格,提升了全球天氣預報的精度和更新頻率,為清潔能源規劃和區域氣象服務提供了更可靠的資料支援。
本集聚焦多項重大模型發布與科技產業動態,重點包含 Meta 釋出 Muse Spark 1.3 與 Google 推出 Gemini 3.8 Flash Cyber。
Google DeepMind 宣佈推出 Fairwind Program,這是一個面向政府機構和可信合作伙伴的有限訪問計劃,旨在通過 Gemini 3.8 Flash Cyber 與 CodeMender 框架提供自主發現和修復漏洞的先進網路安全能力。該計劃首批覆蓋全球 650 多個合作伙伴,支援在組織的安全雲環境中幾分鐘內生成經過驗證的修復補丁。
Google DeepMind 釋出 Gemini 3.8 Flash 與 3.8 Flash Cyber 兩款新模型,帶來更強的長程推理、編碼和AI 助理任務能力。
推薦理由:原文公佈了新模型的架構變動、基準成績與具體定價,讀者可以據此評估它在成本與長程智慧上的價效比。
Google Research 聯合 NASA JPL 推出了 MAPL-EMIT 深度學習框架,利用 Swin-S transformer 架構處理高光譜輻射測量資料,實現了甲烷羽流的自動檢測、定量增強預測和源頭定位。
Google DeepMind 推出了適用於 Gemini 最新模型的AI 助理影片理解功能,通過動態檢索視覺幀、音訊和字幕,將影片分析的 token 消耗降低最高 88%、成本降低最高 66%,並將準確率提升最高 7%。
推薦理由:原文公佈了功能特性與具體最佳化資料,讀者可以據此瞭解該技術如何降低影片處理成本。
Google Research 推出 TimesFM-3,這是一個擁有 3.3 億引數、原生支援多變數預測的零樣本時間序列基座模型。該模型採用解碼器架構與交替注意力機制,支援單次前向傳遞生成整個預測區間,在 Gift-Eval、FEV-Bench 和 Time 等基準測試中表現優於其他預訓練基座模型,目前已在 GitHub 和 Hugging Face 上線。
Google Research 推出了行星預測引擎(PPE),這是一種作為 Google Earth AI 一部分的新型實驗性研究功能,能夠根據自然語言查詢自主執行從資料發現到模型訓練的完整地理空間預測工作流。該系統通過智慧地理空間資料選擇、多模態資料集策劃以及自動化模型構建三個模組化階段運作,在公共衛生、糧食安全、環境風險和社會經濟等多項預測任務的基準測試中超越了人工專家基線。
AI 基礎設施 在雲端遭受持續攻擊,Wiz 研究在 90 天內觀測到三大攻擊模式:MCP 伺服器利用、盲目提示注入、AI 原生後門利用。 - 攻擊面:90% 之雲端環境執行自託 AI 軟體,81% 受管理服務,63% 自託模型,形成主流攻擊面。
Google DeepMind 推出了 Gemini Omni 1.1 Flash,帶來場景延伸、首尾幀插值、4K 超解析度升級、360p 高效草稿生成及影片參考等多項專業級影片生成與控制功能,現已通過 Gemini API 及 Google AI Studio 面向開發者開放。
Google DeepMind 推出全球首個專有前沿級別 AI 模型的雙盲評測,通過密碼學安全環境防止模型在測試前接觸到評測問題。該機制與新加坡人工智慧安全研究所、OpenMined、AVERI 及 MLCommons 合作,在隱私保護環境中對 Gemini Flash Lite 模型進行保密基準測試,以提升評測的完整性。
Google Research 推出了 GlucoFM,這是一個用於連續血糖監測的自監督基礎模型,採用雙流設計將較慢的血糖趨勢與短期偏差明確分離。在多項臨床預測任務評估中,GlucoFM 的 PR-AUC 表現優於對比模型,並且在餐後血糖響應預測、跨資料集遷移以及少樣本適應場景中展現出優勢。
Google DeepMind 推出 Gemini 3.5 Transcribe,這是其迄今最精準的語音轉文本模型,支援即時流式傳輸與預錄音頻處理,字錯誤率在流式傳輸和非流式場景下分別達到 4.0% 和 2.6%。該模型支援超過 85 種語言的自動檢測與轉錄,具備智慧糾錯、自定義詞彙識別及多說話人識別等功能,目前已在 Google AI Studio 等平臺面向開發者開放公測。
推薦理由:官方推出的最新語音轉文本模型給出了具體的錯誤率和多語言支援資料,讀者可以據此評估其實際語音互動效能。
Go 1.27 針對泛型方法推出新語法,讓結構方法能直接使用型別引數,提升程式碼簡潔度與可讀性。 - 新語法:func (List[E]) MapR any R) List[R] 允許在結構上直接呼叫泛型方法,支援鏈式呼叫。
推薦理由:本文示範 Go 1.27 新增泛型方法,讓程式碼更簡潔、可讀性提升,對開發者實務應用具重要參考價值。
Google Research 推出了 AgentHands,這是一個在 XR 中為AI 助理對話生成互動式手勢的研究原型。該系統通過多維度分類法與工作流,將 LLM 的推理結果對映為與語音同步的 3D 手勢,提升了空間定位、複雜動作理解及安全性提示的效果。
本集解析微軟 Entra ID 反序列化漏洞引發的雲端資安焦慮,並探討 AI 逆向硬體裝置的新威脅與工程落地瓶頸。 - 微軟 Entra ID 漏洞:微軟日前發布 CVSS 10.0 的 Entra ID 遠端程式碼執行漏洞並指遭在野利用,但隨後改口撤回,且未提供客戶修補程式。
Google Research釋出了Biomarker Discovery Framework,一套多代理系統,結合假設生成、統計分析、模型訓練、對抗驗證和文獻推理,在9,279個可穿戴感測器資料樣本中識別出41個精神健康和25個代謝疾病的候選數字生物標誌物,並在與人口統計特徵結合後提升預測效能。專家評估顯示,該框架在質量維度上優於同類AI系統。
Google DeepMind 回顧了過去 15 年利用 Atari、Go、StarCraft 等遊戲推動 AI 突破的研究歷程,並將其底層方法成功應用於 AlphaFold 等科學領域。
Google Research 推出 Mobility-Embedded POIs (ME-POIs) 框架,將聚合匿名移動模式與文本描述融合,顯著提升地點屬性預測。在公開基準上,ME-POIs 使訪問意圖預測提升 81.9%,價格等級分類提升 75.1%,繁忙度估計準確率提升 24.7%。
Go 1.27 正式發布,帶來多項語言、工具、效能與標準函式庫升級。 - 語言功能:支援泛型方法、結構字面量可使用任意欄位鍵、函式型別推斷全域化。
推薦理由:Go 1.27 帶來泛型方法、結構字面量改進與效能提升,開發者可即時體驗新語法與工具最佳化。
Google Research 推出了 PhotoScan,這是一個通過標準 2D 智慧手機照片估算 3D 身體成分指標(如體脂率、A/G 比和 V/S 比)的深度學習框架。該模型在英國生物銀行資料上進行預訓練,並利用 677 名成人的佇列進行了微調;獨立驗證顯示其在預測胰島素抵抗方面達到了接近 DXA 掃描的準確度。
Anthropic 在 2025 年 11 月宣佈投資 500 億美元於美國算力基礎設施,並於 2026 年前透過約 500 億美元債務完成 1 GW 以上的 TPU 系統與 1.43 GW 資料中心建設。
Google DeepMind 推出了 Gemini 3.7 Flash,這是其 Flash 系列最新的工作模型,專為編碼和AI 助理設計。該模型在 FrontierCode、DeepSWE、WebDev Arena 等基準上顯著提升準確率,且每百萬輸入 token 價格僅 $0.75,輸出 $3.75,成本更低。
推薦理由:Gemini 3.7 Flash 在編碼、網頁開發和知識工作等領域顯著提升準確率,並以更低成本提供高效工作流。
Google DeepMind 釋出了多語言手語轉文本翻譯模型 SL2T,並將其整合到 Gboard 和 Pixel 11 的 Live Transcribe 中。該模型支援將美國手語直接轉換為英語文本,它基於超過 10 萬小時的資料訓練,通過處理姿勢關節點來保護隱私並實現流式輸出。
Google Research 介紹了知識 profiling 行為框架和 WikiProfile 基準,用以衡量大語言模型的編碼與檢索能力。研究表明,在 Gemini 3 和 GPT-5 等前沿大模型中,95% 至 98% 的事實已被編碼,但模型仍無法直接檢索其中 26% 至 34% 的事實。這說明事實性錯誤主要源於知識無法可靠呼叫的檢索失敗,而非知識未被編碼的儲存缺失。
Google Research 推出了 AMIE 的即時影片配置版本 AMIE (Video),能夠基於 Gemini 和 Project Astra 進行同步臨床影片問診,感知非引導性的臨床非語言線索並進行即時診斷推理。
推薦理由:這項研究展示了多模態醫療AI在影片問診中的專家級表現,為遠端醫療系統的架構設計提供了實證參考。
Google DeepMind 推出了 WeatherNext AI 模型,在氣旋的路徑、強度和風力結構預測上達到了 SOTA 精度,平均可提供額外一天的預警時間。該研究成果已在 Nature 發表,團隊宣佈開源 WeatherNext 2 與 WeatherNext Cyclones 模型程式碼及權重。
Google Research 推出了基於 Chain-of-Evidence 架構的自主科研框架 Science One,通過構建即時證據鏈與 CoE Audit 評估協議解決 AI 生成論文中的幻覺與不可復現問題。結果顯示該框架在 MLE-Bench 等基準測試中實現了零幻覺引用與完全可驗證的分數,同時達到了 SOTA 效能。
DeepMind 釋出 Gemini Robotics ER 2,作為其最新的“具身推理”模型,支援持續影片理解、任務編排和多機器人協作。該模型可與任何低層 VLA 模型配合,即時呼叫工具(如 Google Search),並在執行過程中保持推理,顯著提升任務完成率和安全性。
推薦理由:Gemini Robotics ER 2 通過影片理解和多機器人協作提升機器人任務完成率,展示了高效即時推理與安全控制的結合。
Google DeepMind 在 Google Flow Music 上釋出了最新音樂生成模型 Lyria 3.5。該模型在旋律結構、歌詞質量、聲樂表現和發音方面都有顯著提升,並新增了對節奏和時長的細粒度控制,幫助使用者更輕鬆地創作符合預期的歌曲。
團隊想在 GPU 和 TPU 之間更換硬體時,常得改用不同工具或重做部署。RadixArk 和 Google Cloud 合作,讓開源推論框架 SGLang 能在 Google TPU 上執行:目前可透過 SGL-JAX 使用,支援多種大型語言模型、多模態模型和影像及影片生成模型;RadixArk 也預計在今年稍晚推出以 PyTorch 為基礎的 SGL-torchtpu。團隊可以沿用同一套 SGLang API,依工作需求和價格效能選擇 GPU 或 TPU。
推薦理由:SGLang 已可透過 SGL-JAX 在 TPU 上執行,後續還會加入 PyTorch 原生後端,讓團隊沿用相同 API 跨硬體部署。