GGoogle / Gemini 最新动态

视频产线可换成先低分辨率草稿、再靠多轮对话改细节、最后升到 1080p 或 4K 的流程，代价是 720p 每秒 $0.07，且快速运动和复杂物理仍是已知短板。

五条规则可直接搬进 skill 评测流程，含 frontmatter 触发冲突检测、配对 WITH/WITHOUT 消融、评分维度正交防刷分；前提是得有容器沙箱和 CI，本地跑的数字不可信。

可抄走的是 harness 八组件成本模型和 INV/DOM 双提案对比流程，能落到软件工厂的 agent 编排上；代价是每任务 4k 次 rollout，且只补流程缺陷、不提升内容判断。

可搬走证据分级（物证/证词）与先勘察再定标准两条规则，用于 agent 轨迹筛选和 RL 奖励判定；代价是验证要多花推理预算，且依赖对机器状态的只读特权访问。

能拿走 Windows 接红米真机、OpenRouter 配视觉模型、Flash 与 Pro 选型及山姆分享图 Prompt 模板，落到本地模型部署与软件工厂的真机自动化层，代价是控机模型必须支持图像输入，单次会话约 16 万 Token。

能拿走一套 OpenViking 记忆底座的组件选型与配置，含 query_planner 单独指定、VLM 设 reasoning_effort low、向量模型锁 128K 多模态；落到本地模型部署与知识沉淀线，代价是 2G 机器要配 Swap 并限制容器内存。

能拿走的是三技能流水线加零上下文审查子代理，把设计草案先过一遍再写码，落到软件工厂的需求澄清环节；代价是多三步时间，小 bug 修复反而拖慢。

可借鉴的是长周期智能体任务的训练取向和防作弊指标口径，Terminal-Bench 4.0 作弊率降到 0.0%、高危失配告警降约 80% 这类内部度量能直接搬进自己的评测表，但模型本身只先开放给网络安全防御方，拿不到权重和接口。

能拿走的是零信任组网做法，节点默认不暴露服务、按服务名而非地址授权、用 OIDC 换短期凭证；可落到本地模型部署和多 agent 跨机调用，代价是要自建 control plane 和 router，且项目仍是 pre-1.0。

可借鉴的是把持续学习拆成唤醒与睡眠两段，睡眠期用 MoE 扩容加 GKD 与 RL 模仿把上下文蒸馏进参数，再随机激活专家生成合成数据做筛选微调；落到本地模型部署和知识沉淀，代价是要预留专家容量并维护重置与筛选流程。

可照抄论文的 softplus/expm1/log1p 重写 log-softmax 十余行实现，替换训练循环里的交叉熵，代价是需自行核对 bf16 与 fp32 下 margin 悬崖位置，论文未给统一阈值。

能拿走的是同一套采样配置下把思考 token 压掉 38.9% 的微调做法，可换掉本地部署里长思考模型的推理成本，代价是 AA-LCR 掉 4pp、长上下文多模态是主要失分项。

可先在自己 vLLM 部署前加前缀感知路由，再逐步加流控、KV cache 卸载和 prefill/decode 拆分；代价是要有 Kubernetes 集群和 TPU/GPU 混合池，组件需自行拼装调优。

可借鉴双层递归加Propose-Probe-Compose的脚手架自改流程，把每次调试记录沉淀成EXPERIENCE.md经验库供后续任务检索，代价是每轮要多跑候选轨迹做行为对比。

四段式流水线可拆成文档分段、按信息密度分配算力、并行分段核查、全局汇总加外部 grounding，能落到知识沉淀和论文审读线，代价是每段都要独立推理调用。

可借鉴的是把机器人任务写成带坐标网格、动作原语和 curl 闭环的提示词模板，以及 Real2Sim 的视觉与接触力双重校验约束；落到本地模型部署和视频产线要先有 MuJoCo 场景与真机遥测数据。

可借鉴的是把 .agents/skills 规则本加一段目标交给模型整夜自主跑，换来 ADK 会话准备时间降 40%、冷导入快 21%；前提是能接受无人值守改生产代码并逐条审 PR。

可借鉴的是把 .agents/skills 规则本加一段目标交给模型夜间自主跑优化，ADK 会话准备时间降 40%、冷导入快 21%；前提是已有可跑的基准和测试兜底。

可把本地 RAG 的检索层换成单一多模态嵌入模型，文本 270M、视觉 170M、音频 300M 按需加载，MRL 截到 128 维省 6 倍存储；代价是需自行接 LiteRT 或 transformers.js 部署。

可借鉴的是用 Argon agent 做 C/C++ 到 Rust 迁移的流程，靠多轮 profile 引导实验和读编译器输出生成安全 Rust，代价是仍需自动化加人工审计与仿真测试才能上生产。