„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“ išleido „Gemini 4 Carbon“ – naują pažangų modelį, sukurtą sudėtingam, kelių žingsnių mąstymui, programinės įrangos inžinerijai ir aukšto lygio kibernetinio saugumo užduotims. Dabar modelį galima naudoti per API ir „Google Antigravity“, jis pasižymi geresniu našumu agentinėse darbo eigose.
„Google DeepMind“ pristatė „Gemini Robotics 2.5“ – naują vizijos-kalbos-veiksmo modelį, skirtą padidinti robotų miklumą ir patikimumą neapibrėžtose aplinkose. Modelis buvo išbandytas atliekant daugiau nei 200 užduočių, demonstruojant didelį vykdymo greičio ir tikslumo padidėjimą bei pasiekiant 96% sėkmės rodiklį automobilių detalių surinkimo procesuose „Mercedes-Benz“ gamyklose.
„Google Cloud“ išleido „Gemini for healthcare“ – platformą, skirtą sujungti suskaidytus klinikinius bei administracinius duomenis į vieningus darbo procesus. Sprendimas skirtas mažinti medikų darbo krūvį automatizuojant tokias užduotis kaip medicininių įrašų sintezė ir išankstinis leidimų patvirtinimas.
„Google DeepMind“ pristatė „AlphaProof Code“ – agentų sistemą, kuri naudoja „Gemini Carbon“ modelius, kad atliktų oficialų sudėtingų kriptografinių protokolų patikrinimą. Generuodama įrodymus „Lean“ kalba, sistema per keturias savaites sėkmingai patikrino „Signal“ protokolo įgyvendinimą – užduotį, kuriai istoriškai prireikdavo daugelio metų rankinio darbo.
„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.
„Google“ pristatė „Data Cloud“ jungtis, leidžiančias „Gemini“ atlikti pokalbio tipo analitiką tiesioginiuose „BigQuery“, „Spanner“, „AlloyDB“, „Cloud SQL“ ir „Looker“ duomenų šaltiniuose. Naudojant „Knowledge Catalog“, sistema verčia vartotojų klausimus į SQL užklausas, griežtai laikydamasi nustatytų prieigos teisių ir duomenų saugumo taisyklių. Duomenys nėra kopijuojami, nes sistema veikia federaciniu užklausų režimu.
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 „Cheminformatics Skills“ rinkinį savo „Antigravity“ platformai, leidžiantį AI agentams valdyti visą vaistų kūrimo procesą. Sujungus RDKit įrankių rinkinį su LLM orkestravimu, sistema per maždaug valandą atlieka literatūros paiešką, duomenų analizę ir sintezės planavimą.
„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.