„Google“ pristatė „Gemini 4 Neon“ – naują modelį, skirtą sudėtingiems analitiniams, programavimo ir moksliniams procesams. Jis pasižymi 1 mln. žetonų (token) konteksto langu ir orientuojasi į didelį valdomumą bei efektyvumą gamybinėms agentų užduotims.
„Google“ išleido „Genie 4“ – pažangų pasaulio modelį, prieinamą „Google AI Ultra“ prenumeratoriams, leidžiantį realiuoju laiku kurti ir redaguoti interaktyvias aplinkas. Atnaujinimas apima integruotą prisitaikantį garsą, 360 laipsnių panoraminį pagrindimą ir naują „Project Genie“ agentą, padedantį kurti aplinkas pokalbio metu.
„Google“ atvėrė „Sashiko“ – agentinę sistemą, naudojančią „Gemini 4 Carbon“ Linux branduolio pataisoms peržiūrėti. Atskyrus klaidų aptikimą nuo įrodymais pagrįstos verifikacijos, smarkiai sumažėjo pataisymų po kodo sujungimo poreikis.
„Google“ pristatė „Tasks in Gemini“ – naują funkciją, leidžiančią dirbtinio intelekto asistentui vykdyti fonines, kelių etapų užduotis. Atnaujinimas apima automatizuotus pirkimus naudojant „Google Pay“, užduočių valdymą SMS žinutėmis, darbų automatizavimą el. paštu bei „Agentic Calling“ funkciją, skirtą skambučiams ir rezervacijoms atlikti.
„Google“ išleido „Agent Substrate 1.0“ – atvirojo kodo platformą, skirtą DI agentų sesijoms „Kubernetes“ aplinkoje valdyti. Atskiriant būseną palaikančias sesijas nuo kompiuterinių išteklių, galima „parkuoti“ neveikiančius agentus objektų saugykloje ir atlaisvinti darbinį mazgą.
„Google“ pristatė naują vieningą AI agentų stebėsenos sistemą, integruotą tiesiai į „BigQuery“ ir „Looker“. Sistema leidžia kūrėjams perduoti įrašus (logs) ir telemetriją iš nuosavų bei trečiųjų šalių agentų (pvz., „LangGraph“) į „BigQuery“ duomenų saugyklas, skirtas našumo analizei, vertinimui ir kaštų valdymui.
„Google“ pristatė darbo eigą, kurioje „Gemini 4 Argon“ analizuoja „Go“ asamblerio kodą ir sugeneruoja taisykles „Z3“ ribojimų spręstuvui. Šis metodas aptinka klaidas, kurias įprastas „fuzzing“ testavimas dažnai praleidžia dėl „Go“ vykdymo laiko aplinkos elgsenos su masyvų talpa.
„Google“ įvertino savo „Agent Anomaly Detection“ funkciją naudodama penkis išorinius testus, įskaitant „AgentDojo“ ir „AgentHarm“. Įrankis aptiko 87 % kenksmingų instrukcijų, kurias agentai sėkmingai įvykdė, tačiau veikė prasčiau su užteršta ilgalaike atmintimi.
„Google“ pristatė „Gemini 4 Hydrogen“ – naują modelį, optimizuotą greitam ir ekonomiškam agentų bei programavimo užduočių vykdymui. Modelis turi 1 milijono žetonų konteksto langą ir kintamus „mąstymo“ lygius, leidžiančius programuotojams subalansuoti samprotavimo gylį, vėlavimą ir kaštus.
„Google“ pristatė dvi naujas SQL funkcijas „AlloyDB“ – ai.classify ir ai.extract, leidžiančias atlikti „Gemini“ pagrįstas operacijas tiesiogiai „PostgreSQL 18“ aplinkoje. Šios funkcijos automatizuoja nestruktūrizuoto teksto apdorojimą, pavyzdžiui, nuotaikų analizę ar JSON išgavimą, nereikalaujant papildomų programinių tarpinių sluoksnių.
„Google“ pristatė „Gemini Decisions API“, varomą naujojo „gemini-decision-1“ modelio. Skirtingai nei standartiniai generatyviniai modeliai, šis įrankis atlieka vieno žingsnio klasifikavimą ir vertinimą apdorojant tekstą, garsą, vaizdus, vaizdo įrašus ir PDF failus, grąžindamas pasitikėjimo balus (confidence scores), o ne tekstą.
„Google“ pristatė A2UI 1.0 – stabilų atvirą protokolą, leidžiantį DI agentams generuoti interaktyvias sąsajas vietoje paprasto teksto. Šis protokolas leidžia kūrėjams apibrėžti UI komponentus, kurie natyviai atvaizduojami interneto, „iOS“ ir „Android“ platformose.
„Google“ išplėtė „AI Edge Gallery“ funkcijas, pridėdama balso atpažinimo (ASR) ir sintezės (TTS) galimybes įrenginiuose. Programuotojai dabar gali integruoti šiuos greitus, neprisijungus veikiančius modelius per „Android“ „ML Kit“ arba „MediaPipe Tasks“, kurie palaiko daugiau nei 100 kalbų ir užtikrina didelį energijos efektyvumą.
„n8n“ integravo naujausią „Google“ modelį „Gemini 4 Carbon“, sukurtą sudėtingai automatizacijai, kibernetinio saugumo užduotims ir padidintam agentų patikimumui. Modelis pasižymi dideliais patobulinimais valdant ilgai trunkančius kelių žingsnių procesus ir rodo tvirtą atsparumą „prompt injection“ atakoms.
„Google“ atnaujino atvirojo kodo „JAX“ mokymo sistemą „MaxText“, kad būtų galima treniruoti didelius kalbų modelius (LLM) su itin ilgomis sekomis naudojant „Cloud TPU“. Įdiegus keturias konteksto paralelizavimo strategijas, dabar įmanoma efektyviai treniruoti modelius su iki 14 mln. žetonų, įveikiant atminties ir skaičiavimo ribojimus.
Dabar galite kurti ir vizualizuoti programas, naudojančias Google Maps, Places ir Routes duomenis, tiesiogiai Google AI Studio aplinkoje. Naudojant natūralios kalbos užklausas, platforma automatiškai tvarko API konfigūraciją ir raktų valdymą, siūlydama nemokamą aplinką eksperimentams prieš pradedant gamybinį naudojimą.
„Google Cloud“ pristatė dinaminį TPU (Tensor Processing Unit) skaidymą GKE (Google Kubernetes Engine) aplinkoje, leidžiantį atsieti logines aparatinės įrangos konfigūracijas nuo fizinių mazgų telkinių. Šis atnaujinimas panaikina poreikį rankiniu būdu perkurti mazgų telkinius keičiantis darbo krūviui, taip užtikrinant greitesnį prisitaikymą ir geresnį atsparumą klaidoms.
AI agentai dažnai klaidingai supranta senus kodo komentarus, tokius kaip TODO ar FIXME, laikydami juos dabartinėmis instrukcijomis. Tyrimai rodo, kad 6 % programavimo sesijų agentai imasi tirti nereikšmingus, uždarytus ar pasenusius klaidas, o tai didina išlaidas ir apimties didėjimą (scope creep).
„Google“ išleido „Gemini Omni 1.2 Flash“ – modelio atnaujinimą, skirtą vaizdo turinio kūrimui. Jis prailgina vaizdo generavimą iki 15 sekundžių, pagerina objektų ir veikėjų nuoseklumą bei pristato redagavimo pokalbio metu galimybę.
„Google“ pristatė „Physical-Engineering's Last Exam“ (PLE) – naują vertinimo sistemą, skirtą tikrinti DI agentų gebėjimus mechaninės, elektros, civilinės ir struktūrinės inžinerijos srityse. Skirtingai nei standartiniuose testuose, PLE reikalauja, kad agentai apdorotų didelius projekto aplankus, įskaitant CAD brėžinius ir statybos normas, ir pateiktų saugius, reikalavimus atitinkančius sprendimus.
„Google“ ataskaitoje teigiama, kad kaina už tūkstantį žetonų nebėra geriausias rodiklis, vertinant ekonominį efektyvumą; svarbiau – kaina už sėkmingai atliktą užduotį. Naudojant lengvus „noul“ klasifikatorius, agentai gali nukreipti paprastas užklausas į greitus modelius, pavyzdžiui, „Flash-Lite“, o sudėtingą logiką palikti pažangesniems modeliams.
Tyrimas atskleidė, kad tos pačios asmenybės instrukcijos sukelia skirtingus LLM elgsenos rezultatus keičiant anglų kalbą į korėjiečių. Nors pirkėjai nurodymų laikėsi panašiai, pardavėjai korėjiečių kalba tapo gerokai paslaugesni ir mandagesni, todėl dažniau pasiekiama susitarimų ir mažesnės kainos.
Google perkėlė „Computer Use“ įrankį į stabilų visuotinio prieinamumo etapą Gemini API ekosistemoje. Ši funkcija suteikia modeliams galimybę sąveikauti su kompiuterių sąsajomis ir dabar yra palaikoma gamybinėse „Interactions“ ir „GenerateContent“ API sistemose.
„Google“ pristatė naują „Agents CLI“ vertinimo įrankį, skirtą „hill-climbing“ metodui – iteraciniam agentų našumo gerinimo procesui per testavimą, vertinimą ir analizę. Įrankis leidžia stebėti regresijas lyginant agentų veiklos pėdsakus po modelių ar užklausų (prompt) pakeitimų, aptinkant problemas, kurių nepastebi standartiniai vienetiniai testai.
„Google Project Zero“ išanalizavo, kaip LLM pagrįstos sistemos (BigSleep) lyginasi su tradiciniais generatyviniais „fuzz“ įrankiais (Fuzzilli) ieškant V8 JavaScript variklio spragų. Per šešis mėnesius abu metodai savarankiškai aptiko unikalių klaidų, o jų sutapimas vertinamas tarp 25–60 proc.
„Google“ atnaujino savo A2UI generatyvinio UI protokolą, įtraukdama keičiamus išvadų (inference) formatus, taip spręsdama vėlavimo ir patikimumo problemas, susijusias su ankstesniu „Direct JSON“ metodu. Naujasis „A2UI Express“ formatas sumažina tokenų sunaudojimą iki 3 kartų ir delsą iki 3 kartų, naudodamas glaustą „Python“ stiliaus sintaksę.
„Google“ atvėrė viešąją „Gemini Robotics Embodied Reasoning 2“ (ER 2) versijos peržiūrą „Gemini“ platformoje. Šis modelis veikia kaip aukšto lygio kognityvinis robotikos sluoksnis, gebantis planuoti, savarankiškai taisyti užduočių eigą ir valdyti kelių robotų sistemas naudojant natūralios kalbos instrukcijas.
„Google“ pristatė „Gemini Omni“ – naują vaizdo įrašų generavimo modelį, gebantį kurti ir redaguoti vaizdo įrašus naudojant tekstines užuominas ar paveikslėlius. Šis modelis dabar yra numatytasis „Google“ vaizdo įrašų darbo eigoms, o ankstesnis „Veo“ modelis buvo pašalintas iš API.
„Google“ atnaujino „Gemini API“, todėl visuose naujuose mokamo plano projektuose užklausos dabar automatiškai saugomos (store=true). Šis pakeitimas suvienodina turinio generavimo metodus su „Interactions API“, todėl kūrėjai turi patys išjungti šią funkciją, jei nenori, kad duomenys būtų saugomi.
Google paskelbė viešąją peržiūrą (Public Preview) transliavimo palaikymui API Gateway, apimančiam Server-Sent Events, chunked/NDJSON atsakymus, WebSockets ir gRPC transliavimą. Transliuojantys endpoint'ai dabar gali veikti per tą patį gateway kaip ir įprasti API, išlaikant esamą autentifikaciją, žurnalavimą ir stebėseną, nekeičiant API specifikacijos. Ryšiai gali likti atviri iki valandos, o gateway'ai dabar gauna numatomą numatytąjį hostname vietoj sugeneruoto hash. Funkcija taip pat susijusi su modelių maršrutizavimu – vienas gateway gali transliuoti atsakymus iš Gemini, Claude ir OpenAI gpt-oss modelių.
„Google“ pridėjo Plėtinių sistemą (Extension System) prie savo Agents CLI įrankio (nuo v1.5.0, o pirmapradis LangChain plėtinys pasirodė v1.8.0), leidžiančią kūrėjams pakeisti ar pridėti CLI komandas nereikalaujant forkinti įrankio. Anksčiau Agents CLI diegimo, vertinimo ir stebėsenos grandinė buvo glaudžiai susieta su „Google“ Agent Development Kit (ADK); dabar komandos gali kurti, paleisti, diegti ir vertinti LangChain, LangGraph ar Deep Agents projektus per tą pačią komandų sąsają. Plėtiniai platinami kaip katalogai „Git“ saugyklose, fiksuojami prie konkretaus commit SHA lockfile faile, ir gali būti diegiami projekto arba vartotojo lygmeniu. Sistema taip pat leidžia įmonių platformų komandoms apgaubti komandas, pavyzdžiui, deploy, savo politikomis – atitikties patikromis ar SSO vartais. Funkcija v1.8.0 versijoje žymima kaip eksperimentinė.
„Google“ pristatė TorchTPU – natyvų PyTorch backend'ą Cloud TPU („torch.device("tpu")“), ir kartu su „Meta“ sukūrė TorchTitan atšaką, pritaikytą mokymui TPU įrenginiuose. Anksčiau norint mokyti PyTorch modelius TPU reikėdavo perrašyti kodą į JAX arba naudoti senesnį torch_xla kelią; dabar pakanka minimalių įrenginio inicializavimo pakeitimų. Atšaka siūlo paruoštus receptus didelių tankių modelių (Llama 3 70B/405B, Qwen 3 8B/32B), MoE modelių (Qwen 3 235B) ir difuzinių transformerių (FLUX.1 12B) pirminiam mokymui, taip pat „Graph Trainer“, kuris visą mokymo žingsnį užfiksuoja kaip vieną XLA programą geresniam kompiliatoriaus optimizavimui.
Google paskelbė naujus vLLM ir SGLang išvedimo (inference) variklius, sukurtus tiesiogiai ant PyTorch TPU įrenginiams, kuriuos kūrė kartu su Inferact ir RadixArk. Varikliai veikia ant naujo TorchTPU sluoksnio, kuris paverčia TPU natūraliu PyTorch įrenginiu, pakeisdamas ankstesnį JAX pagrindu veikusį sprendimą. Google praneša apie viešą 2,01 cento už milijoną tokenų savikainą esant dideliam lygiagretumui per SemiAnalysis InferenceX projektą, taip pat palaikomus agentinius darbo krūvius, ilgą kontekstą, atskirtą (disaggregated) aptarnavimą ir multimodalius modelius.
„Google Research“ paskelbė apie paskutinį „Coral NPU“ atviro aparatinės įrangos standarto etapą – 32 bitų RISC-V architektūrą su nauju Matricų vykdymo bloku (iki 1 TOPS, apie 10mW), bei v1.0 atvirojo kodo IREE/MLIR kompiliatorių, kuris modelius iš JAX, PyTorch ir TensorFlow tiesiogiai perkelia į aparatinę įrangą. „Synaptics“ pristato pirmus komercinius lustus, sukurtus pagal šį standartą, įskaitant „Astra SR200“ mikrovaldiklių seriją (400 GOPS) ir naujus „Coralboard SR“ bei „SL“ kūrėjų rinkinius, o „SL“ versija jau visuotinai prieinama per „DigiKey“. „Google“ taip pat bendradarbiauja su „VeriSilicon“ ir „GlobalFoundries“, siekdama pritaikyti atvirą RTL gamybiniams lustams.
„Google Research“ pristatė tyrimus, kaip AI agentus „įžeminti“ fizinėje laboratorinėje aplinkoje naudojant skaitmeninio dvynio sistemą VERID, leidžiančią agentams saugiai planuoti ir vykdyti skysčių dozavimo robotų protokolus. Kartu su uždaro ciklo molekuliniu dizainu aptamerams ir baltymams, agentai mokėsi iš laboratorinių rezultatų, kelis ciklus gerindami sėkmės rodiklius ir galiausiai aptikdami vienaženklio nanomolinio afiniteto baltymų surišiklius vėžio taikiniui.
„Google“ paskelbė apie DPoP (Demonstrating Proof-of-Possession, RFC 9449) palaikymą savo OAuth platformoje – refresh tokenai kriptografiškai susiejami su kliento sugeneruota raktų pora, todėl pavogti tokenai negali būti pakartotinai panaudoti užpuolikų. Apsauga taikoma tik ilgalaikiams refresh tokenams, o trumpalaikiai access tokenai lieka standartiniai Bearer tokenai, kad nebūtų papildomos kriptografinės apkrovos dideliam API srautui. „Google“ taip pat pabrėžia DPoP svarbą saugant kelių agentų ir Model Context Protocol (MCP) architektūras, rekomenduodama Google Cloud Secure Token Service tokenų delegavimo grandinėms tarp agentų.
Google išleido „Apigee hybrid“ 1.17.0 versiją (2026 m. rugsėjo 14 d.), kurioje pridėtas Model Context Protocol (MCP) palaikymas, veikiantis visiškai kliento paties Kubernetes klasteryje, o ne Google valdomoje infrastruktūroje. Tai leidžia organizacijoms, turinčioms duomenų rezidavimo ar reguliavimo reikalavimus, paversti esamas OpenAPI apibrėžtas API į AI agentų kviečiamus įrankius, kai MCP užklausos neišeina už jų tinklo ribų. Funkcija naudoja esamą „Apigee“ tapatybę, saugumo politikas ir API produktų kontrolę, ir yra pasirenkama, pagal nutylėjimą išjungta galimybė, įjungiama per Helm chart atnaujinimą.
„Google“ pašalino „gemini-3.7-flash“ iš aktyvaus naudojimo – visi kvietimai šiuo modelio pavadinimu dabar automatiškai nukreipiami į „gemini-3.8-flash“. Taip pat nurašomas „deep-research-pro-preview-12-2025“ agentas, kurio veikimas visiškai sustos 2026 m. spalio 23 d., todėl kūrėjai skatinami pereiti prie dviejų naujesnių „Deep Research“ versijų.
„Google“ išleido ML Drift — atvirojo kodo, kelioms platformoms skirtą GPU skaičiavimo variklį ML inferencijai įrenginyje, pakeičiantį senąjį TFLite GPU delegate. Jis suvienodina šeiderių tvarkymą tarp OpenGL ES, OpenCL, Metal ir WebGPU, prideda 5D tenzorių palaikymą ir įveda etapais pagrįstus optimizavimus LLM prefill/decode fazėms. Jis jau veikia gamyboje „Chrome“, „YouTube Shorts“, „Google Photos“, „Meet“ ir partnerių programose iš „Adobe“ bei „Snap“.
„Google“ pristatė AQuA (Ambient Quality Agent) – įrankį, kuris nuolat veikia šalia produkcinių AI agentų „Google Cloud“ projekte ir aptinka trikdžius, kurių nematyti žurnaluose ar sveikatos patikrinimuose, pavyzdžiui, praleistus patikrinimo žingsnius ar prarastą kontekstą tarp sub-agentų. Jis atsitiktinai atrenka produkcinių sesijų pėdsakus, vertina juos pagal kontrolinį sąrašą, grupuoja pasikartojančius trikdžių modelius, patikrina klasterius pagal pilnas transkripcijas ir seka jų būseną laikui bėgant kaip naujus, pasikartojančius ar išspręstus. Paprašius, jis taip pat gali atsekti trikdį iki konkrečios kodo ar instrukcijos eilutės, naudodamas diegimo metu užfiksuotą nekintamą šaltinio nuotrauką.
Google pristatė Developer Knowledge API — struktūrizuotą, mašininiu būdu nuskaitomą Google Cloud, Firebase ir Android dokumentacijos šaltinį, skirtą AI agentams ir kūrėjų įrankiams. Vietoj svetainių scraping'o ar pasikliovimo LLM mokymo duomenų riba, agentai ir CLI dabar gali užklausti šviežią, Markdown formato dokumentaciją per kelias sąsajas: gcloud CLI, įdiegiamą agento įgūdį, kliento bibliotekas ir naršyklėje veikiantį API tyrinėtoją. Pagrindinis indeksas atnaujinamas dažnai, kad atsakymai liktų arti naujausios paskelbtos dokumentacijos.
Google išleido EmbeddingGemma 2 — Gemma 4 pagrindu sukurtą embeddingų modelį, platinamą pagal Apache 2.0 licenciją, kuris tekstą, kodą, vaizdus, video ir garsą sudeda į bendrą 768 dimensijų vektorinę erdvę. Modelis moduliškas — galima įkelti tik reikalingus enkoderius: 270M parametrų vien tekstui ir kodui, iki 740M visoms modalumams. Google teigia, kad MTEB Code lyginamajame teste rezultatas pagerėjo 14% lyginant su EmbeddingGemma 1, išlaikant ankstesnio modelio daugiakalbio teksto tikslumą.
„Google Research“ pristatė penkių partnerių atliktų vertinimų rezultatus apie savo Population Dynamics Foundation Model (PDFM) — „Google Earth AI“ sistemą, paverčiančią paieškos tendencijas, žmonių judėjimą, statinės aplinkos tankį ir aplinkos duomenis į kas mėnesį atnaujinamus vietos embeddingus. Sveikatos priežiūros institucijos šiuos iš anksto apmokytus embeddingus tiesiog integravo į savo esamus statistinius ir ML modelius be jokio papildomo pritaikymo konkrečiai užduočiai ir patikrino juos penkiose skirtingose epidemiologinėse srityse. Kiekvienas partneris nurodė pastebimą pagerėjimą, palyginti su įprastais duomenų šaltiniais, teigdamas, kad PDFM gali tapti „prijunk ir naudok“ pakaitalu ar papildiniu lėtiems, izoliuotiems sveikatos duomenims.
„Google Research“ paskelbė ataskaitą iš savo Contextual Agent Privacy and Security (CAPS) seminaro, kurią bendrai parengė daugiau nei 50 mokslininkų ir pramonės atstovų. Ataskaitoje teigiama, kad AI agentai turi gebėti suprasti kontekstines socialines normas, o ne tik statiškus leidimus, kad tinkamai elgtųsi tvarkydami asmens duomenis ir atlikdami veiksmus vartotojo vardu. Siūlomas daugiasluoksnis požiūris, apimantis sistemos lygmens „sandboxing“, modelio lygmens samprotavimą, vartotojui orientuotus valdiklius, kelių agentų apsaugos priemones ir ekosistemos valdymą, remiantis Kontekstinio vientisumo (Contextual Integrity) teorija.
„Google“ pradėjo visuotinį „skills“ funkcijos diegimą „Gemini“ pokalbių programėlėje – tai leidžia asistentui pasikartojančias pokalbio instrukcijas paversti pakartotinai naudojamais trumpiniais, kuriuos jis automatiškai paleidžia, kai įvedamas atitinkamas užklausos tipas. Vartotojai gali derinti kelis „skills“ vienu metu sudėtingesnėms užduotims, pavyzdžiui, kartu pritaikant pageidaujamą rašymo stilių ir įmonės formatavimo taisykles. „Google“ planuoja, kad „skills“ ateityje pakeis dabartinę „Gems“ funkciją, o esami „Gems“ bus automatiškai konvertuojami į „skills“, kai ši funkcija bus nutraukta. Kol kas funkcija veikia tik 18 metų ir vyresniems vartotojams, platesnis prieinamumas numatytas vėliau.
„Google Cloud“ TPU inžinerių komanda kartu su Ai2 nuo nulio atkūrė „Olmo 3 7B“ modelio pre-treniravimą naudodama MaxText — „Google“ JAX/XLA treniravimo karkasą, veikiantį TPU įrenginiuose vietoje originalaus Ai2 PyTorch/GPU sprendimo. Jie pasiekė sutapimą su Ai2 paskelbtais rezultatais ne tik treniravimo nuostolio kreivėje, bet ir keturiose nepriklausomose atskirtų (held-out) vertinimo plotmėse per visą ~5,93 trilijono žetonų, 1,41 mln. žingsnių 1 etapo treniravimą bei 2 etapo „annealing“ fazę. Šio darbo metu jie perkėlė į MaxText neįprastą „Olmo 3“ architektūrą (pertvarkytą normalizavimo bloką, QK-norm, 3:1 slankaus/globalaus dėmesio santykį) ir aptiko duomenų kraunimo klaidą, kuri tyliai „pagražino“ rezultatus dėl įsiminimo, o ne tikro mokymosi.
Google inžinieriai aprašo, kaip jie įgyvendino retą (sparse) erdvinio-laikinio dėmesio (attention) skaičiavimą vaizdo difuzijos modeliams TPU v6e lustuose, paversdami teorinį Sparse VideoGen (SVG) metodo retumą realiu aparatinės įrangos pagreičiu. Per kelis branduolio optimizavimo etapus (plytelių specializaciją, dydžio derinimą ir kaukės suderinimą su plytelėmis) jie sumažino dėmesio skaičiavimo laiką nuo 96,37 ms (naivus retas variantas) iki 32,76 ms – tai 2,40 karto greičiau nei tankus Splash Attention viename TPU v6e luste, naudojant 75,6 tūkst. token, 10 galvų ir 128 galvos dimensiją.
„Google Cloud“ viešosios peržiūros režimu pristatė nuotolinį MCP serverį, suteikiantį AI agentams prieigą prie gcloud ir bq komandinės eilutės įrankių per du įrankius: run_gcloud_command ir run_bq_command. Serveris veikia izoliuotoje, tinklo apribojimais apsaugotoje smėlio dėžėje „Google Cloud“ infrastruktūroje, todėl agentams nereikia diegti ar palaikyti vietinių CLI dvejetainių failų. Autentifikacija vyksta per Agent Identity, OAuth 2.0 ir IAM, integruojama su Model Armor apsauga nuo prompt injection, palaikomas Cloud Audit Logging visiškam matomumui.
Google paskelbė, kad „Antigravity SDK“ dabar palaiko agentinių darbo eigų vykdymą lokaliai ir neprisijungus prie interneto, pradedant „Gemma 4 26B A4B“ modeliu per „Google AI Edge“ „LiteRT“. Kūrėjai gali kurti agentus, veikiančius visiškai įrenginyje, be debesijos API kaštų ar priklausomybės nuo interneto. Google taip pat pademonstravo hibridinį „Architect-Builder“ modelį, kai debesijos modelis („Gemini 3.8 Flash“) planuoja užduotis, o lokalus „Gemma 4 26B“ modelių pulkas atlieka pagrindinį darbą, neišsiunčiant šaltinio kodo į debesiją.