Google DeepMind 提出 AI 设计蛋白质的水印方法
Google DeepMind 在 Nature 发表论文，将 SynthID 水印思路移植到 AI 蛋白质设计工具 ProteinMPNN 上，在不破坏蛋白质功能的前提下把水印嵌入到氨基酸序列中，检测端需凭密钥扫描整条序列做统计判断。
Ars Technica · AIAI 评分5555 Google ResearchAI 评分3636 Diffusion Controller 如何统一并简化 AI 图像生成
Google Research 提出 Diffusion Controller 框架，将扩散模型去噪过程重构为连续控制问题，通过一个轻量级"转向阻尼器"附加网络引导生成、保持基础模型冻结不变。其白盒微调版本在 Stable Diffusion v1.4 上对基线模型取得 90% 胜率，并支持对无法修改内部权重的闭源模型进行控制。
Google ResearchAI 评分4040 Google Research：Retrieve-for-Train 框架如何绕过复杂 AI 搜索的推理瓶颈
Actually the original title structure is "Bypassing inference bottlenecks。
Google ResearchAI 评分4545 ToolGrad：利用文本"梯度"高效生成工具使用数据集
Google Research 在 ACL 2026 提出的 ToolGrad 采用"答案优先"范式：先生成工具调用链再反推用户查询，借助文本"梯度"迭代构建 API workflow。
Google ResearchAI 评分3434 <think>Let me analyze the original title and content:
Title: "AgentHands: Generating interactive hand gestures for spatially grounded agent conversations in XR" This is a research prototype introduction paper。
Google ResearchAI 评分4040 Google Research 用 MapTrace 数据管线教多模态大语言模型读懂地图
Google Research 提出 MapTrace 合成数据生成管线，用于教多模态大语言模型（MLLM）在地图上追踪路径。该管线利用 Gemini 2.5 Pro 与 Imagen-4 生成多样化地图，并由 MLLM 充当 Mask Critic 与 Path Critic 把关质量，最终产出 200 万组带标注问答对并开源。
Google ResearchAI 评分3838 Google Research：通过分解式两阶段流程让小模型在设备端实现比肩大模型的用户意图提取
Google Research 在 EMNLP 2025 发表的论文提出分解式两阶段流程，先逐屏总结用户操作，再从屏幕摘要序列中提取意图，让小型多模态大语言模型可在设备端完成用户意图理解。该方法在移动端和网页轨迹上均优于 CoT 提示与端到端微调；其中 Gemini 1.5 Flash 8B 配合分解流程即可达到与 Gemini 1.5 Pro 相当的 F1 分数，同时显著降低成本与延迟。
Google ResearchAI 评分4646 NeuralGCM 利用 AI 更好地模拟长程全球降水
NeuralGCM 在 Science Advances 发表新版论文，直接以 NASA 2001–2018 年卫星降水观测训练混合 AI-物理模型，在 15 天天气预报与多年代气候模拟上均优于传统物理模型。相比 IPCC 报告所用领先工具，平均误差降低 40%，对最强 0.1% 极端降水及日变化周期改进尤为显著。