Agent 与工作流01
Google 在 Antigravity SDK 中新增了对本地模型的支持,开发者可以把智能体工作流直接跑在自己的电脑上,不再必须调用云端模型。以前这类工作流通常依赖云端,代码和数据要发出去,还受网络和推理费用限制。现在开发者能自己掌控数据隐私、推理成本、网络依赖和算力分配,同时仍可按需混用云端模型处理更复杂的任务。对开发者来说,写智能体时更省钱、更私密,弱网环境下也能跑。文中未说明具体支持哪些本地模型、开放时间或可用范围。
文中可用工具
- Antigravity SDK用于构建和运行智能体工作流的开发工具包,现在支持在本地跑模型,也能混用云端模型
模型进展02
谷歌发布了新旗舰模型 Gemini 4 Argon,它在大多数测试中超过 OpenAI 和 Anthropic 的顶级模型,尤其在办公知识类任务上优势明显,比如法律智能体测试得分接近对手三倍。但它的编程能力表现一般,部分编程基准甚至落后对手约 10 分。目前该模型只向 Fairwind 计划参与者和谷歌内部开放,尚未对外发布;之后会先开放给付费 API 客户和 AI Ultra 订阅用户。它还支持最高 100 万输出 token,是此前 Gemini 模型的约 15 倍。
文中可用工具
- Gemini 4 Argon谷歌新旗舰模型,可用于知识工作、编程、科学和计算机操作等任务,目前尚未公开发布
- GPT-6 AstraOpenAI 的对比模型,在基准测试中与 Gemini 4 Argon 比较
- Claude Fable 5.1Anthropic 的对比模型,在基准测试中与 Gemini 4 Argon 比较
- Claude Opus 5.5Anthropic 的对比模型,在基准测试中与 Gemini 4 Argon 比较
- CodexOpenAI 模型的智能体运行框架,用于编程基准测试
- Claude CodeAnthropic 模型的智能体运行框架,用于编程基准测试
- Grok 4.7xAI 的模型,在网络安全基准测试中与 Gemini 4 Argon 持平
模型进展03
Google 推出两款面向近实时推理的语音模型。Gemini 3.8 Live 主打规模化与成本效率,支持近实时视觉输入与 97 种语言自动切换;Gemini 3.8 Live Extended Thinking 面向高复杂度任务,能边推理边说话,在 Artificial Analysis 语音质量指数上以 82.6 分排名第一,τ-Voice 达 68.6%,Big Bench Audio 达 97.7%。两款模型通过 Gemini API 和 Google AI Studio 向开发者开放,并在 Gemini Enterprise、Search Live 等产品中逐步上线,音频输出均带 SynthID 水印。
行业动态04
Google Developer Groups(GDG,谷歌开发者社区)宣布 DevFest 2026 回归,活动时间为 10 月 1 日至 12 月 31 日,预计全球近百万开发者参加。今年主题是“构建、安全、扩展:Agentic 时代的开发者与建设者”,重点让参会者亲手体验 Gemini、Google AI Studio、Google Antigravity、Google Cloud、Firebase、Android、Flutter、Angular 和 Web MCP 等谷歌技术栈,形式包括现场 codelabs、工作坊和 agent-athon。全球 115 个国家计划举办 800 多场活动,各地 GDG 自行策划议程,帮助本地开发者提升技能、测试新架构并连接社区。想参加可通过 DevFest 活动目录查找本地活动。
文中可用工具
- Gemini谷歌的 AI 模型,用于现场动手体验
- Google AI Studio谷歌的 AI 开发工具,用于现场动手体验
- Google Antigravity谷歌的工具,原文未说明具体用途
- Google Cloud谷歌云平台,用于现场动手体验
- Firebase谷歌的应用开发平台,用于现场动手体验
- Android谷歌的移动操作系统,用于现场动手体验
- Flutter谷歌的跨平台应用开发框架,用于现场动手体验
- Angular谷歌的前端开发框架,用于现场动手体验
- Web MCP谷歌的网页相关工具,原文未说明具体用途
模型进展05
TimesFM-3 是 Google Research 推出的新一代时间序列基础模型,拥有 3.3 亿参数,预训练语料超过 1 万亿个时间点,原生支持零样本多变量预测。相比此前仅支持单变量预测的 TimesFM-2.5,它可联合预测多条共演化序列,并通过交替注意力与 Contiguous Patch Masking 在单次前向传播中输出完整预测区间及 9 个分位数。在 Gift-Eval、FEV-Bench 和 Time 三个公开基准上,其在点预测与概率预测指标均排名第一,即使单变量模式下也持平或优于对比模型。
研究与技术06
ToolGrad 是 Google 研究团队提出的数据生成框架,它反转传统范式,先生成工具使用答案、再标注对应的用户查询。相比依赖深度优先搜索的查询优先方法,该方案仅需一步 LLM 即可完成标注,能以更低成本生成更复杂的长程工具使用数据。用 ToolGrad-500 微调的 Gemma-3 模型(1B、4B、12B)在 BFCL 基准上超越基线,并在含未见工具的分布外数据集上追平最先进的专有 LLM。