Google wprowadziło nową przestrzeń nazw w Agents CLI do oceny agentów, wspierającą proces „hill-climbing” – iteracyjne doskonalenie wydajności poprzez testowanie, ocenianie i analizę. Narzędzie pozwala śledzić regresje, porównując ślady działań agentów po zmianach w modelach lub promptach, wykrywając problemy, których nie wyłapują standardowe testy jednostkowe.
Google zaprezentowało Gemini 4 Carbon, nowy, wydajny model zaprojektowany do zaawansowanych zadań inżynieryjnych i cyberbezpieczeństwa. Model wykazuje znakomite wyniki w wykrywaniu podatności, tworzeniu bezpiecznych poprawek oraz długoterminowym wnioskowaniu, przy jednoczesnym wzmocnieniu odporności na ataki typu prompt injection.
Google wprowadziło interfejs wiersza poleceń (CLI) dla Gemini API, zaprojektowany jako bezstanowe narzędzie bez zewnętrznych zależności dla programistów.
Google Project Zero przeanalizowało porównanie systemów opartych na LLM (BigSleep) z tradycyjnymi fuzzerami generatywnymi (Fuzzilli) w kontekście wykrywania luk w silniku JavaScript V8. W ciągu sześciu miesięcy obie metody niezależnie odkryły unikalne błędy, przy szacowanym pokryciu wynoszącym od 25% do 60%.
Google DeepMind wprowadziło Genie 4, multimodalny model świata umożliwiający interaktywne symulacje w czasie rzeczywistym. Model natywnie generuje wideo, dźwięki otoczenia i responsywne dialogi, wykorzystując Gemini 3.8 Flash do utrzymania spójności fizycznej i złożonego wnioskowania.
Firma Google zaktualizowała protokół generatywnego UI (A2UI), wprowadzając wymienne formaty wnioskowania (inference), aby rozwiązać problemy z opóźnieniami i niezawodnością występujące w poprzednim podejściu Direct JSON. Nowy format, A2UI Express, redukuje zużycie tokenów nawet 3-krotnie i opóźnienia nawet 3-krotnie, wykorzystując zwięzłą składnię w stylu Pythona.
Google wprowadziło Gemini Robotics Embodied Reasoning 2 (ER 2) w publicznej wersji zapoznawczej na platformie Gemini. Model ten pełni rolę zaawansowanej warstwy poznawczej dla robotyki, zdolnej do planowania, autokorekty zadań oraz zarządzania systemami wielorobotowymi za pomocą instrukcji w języku naturalnym.
Google wprowadziło Gemini Omni, nowy model do generowania wideo, zdolny do tworzenia i edytowania klipów na podstawie wskazówek tekstowych i obrazów. Model ten stał się domyślnym rozwiązaniem dla procesów wideo w Google, a poprzedni model Veo został wycofany z API.
Google Cloud udostępniło IAM Helper, zestaw komponentów dla agentów AI, zaprojektowany w celu automatyzacji złożonych procesów zarządzania tożsamością i dostępem (IAM). Dzięki integracji z silnikami IAM Google Cloud za pośrednictwem MCP (Model Context Protocol), narzędzia te umożliwiają autonomicznym agentom samodzielne rozwiązywanie problemów (np. błędów 403), symulowanie wpływu polityk oraz wnioskowanie o dostęp just-in-time.
Google zaktualizowało Gemini API, co oznacza, że we wszystkich nowych projektach w ramach płatnego planu zapytania są teraz domyślnie zapisywane (store=true). Zmiana ta ujednolica działanie metod generowania treści z Interactions API, wymagając od deweloperów ręcznego wyłączenia tej opcji, jeśli nie chcą przechowywać danych.
Google ogłosił publiczną wersję zapoznawczą (Public Preview) obsługi strumieniowania w API Gateway, obejmującą Server-Sent Events, odpowiedzi chunked/NDJSON, WebSockets oraz strumieniowanie gRPC. Endpointy strumieniujące mogą teraz działać za tą samą bramką co zwykłe API, zachowując dotychczasowe uwierzytelnianie, logowanie i monitorowanie, bez zmian w specyfikacji API. Połączenia mogą pozostawać otwarte do godziny, a bramki otrzymują teraz przewidywalną domyślną nazwę hosta zamiast generowanego hasha. Funkcja wiąże się też z routingiem modeli, dzięki czemu jedna bramka może strumieniować odpowiedzi z modeli Gemini, Claude i OpenAI gpt-oss.
Google dodało System Rozszerzeń (Extension System) do swojego narzędzia Agents CLI (od wersji 1.5.0, a pierwszorzędowe rozszerzenie LangChain pojawiło się w v1.8.0), które pozwala deweloperom nadpisywać lub dodawać polecenia CLI bez forkowania narzędzia. Wcześniej pipeline wdrożeń, ewaluacji i monitoringu w Agents CLI był ściśle powiązany z własnym Agent Development Kit (ADK) Google; teraz zespoły mogą tworzyć, uruchamiać, wdrażać i ewaluować projekty LangChain, LangGraph lub Deep Agents przez ten sam interfejs poleceń. Rozszerzenia są dystrybuowane jako katalogi w repozytoriach Git, przypinane do konkretnego commit SHA w pliku lockfile, i mogą być instalowane na poziomie projektu lub użytkownika. System pozwala też zespołom platformowym w firmach owijać polecenia, np. deploy, własnymi politykami, takimi jak skany zgodności czy bramki SSO. Funkcja w wersji 1.8.0 oznaczona jest jako eksperymentalna.
Google Cloud i NVIDIA ogłosiły ogólną dostępność instancji A5X opartych na GPU NVIDIA Vera Rubin NVL72, kartach ConnectX-9 SuperNIC oraz sieci Google Virgo, przeznaczonych do zadań agentowych i uczenia ze wzmocnieniem na dużą skalę. Google Cloud planuje rozbudować infrastrukturę Vera Rubin do nawet 960 000 GPU Rubin w wielu lokalizacjach, z ogólną dostępnością w przyszłym miesiącu i planowaną ekspansją do Europy. Pierwszym klientem jest londyńska firma Ineffable Intelligence, założona przez twórcę AlphaGo Davida Silvera, wykorzystująca platformę do budowy systemów „superlearner”.
Google Cloud udostępnił modele Anthropic Claude Opus 5.5 i Claude Sonnet 5.5 do wyboru w platformie agentowego kodowania Antigravity, obok Gemini 3.8 Flash i Gemini 4 Argon. Deweloperzy mogą przełączać rodziny modeli w trakcie tej samej rozmowy w Antigravity 2.0, CLI oraz wtyczkach IDE dla VS Code, JetBrains i Visual Studio, wszystko w ramach jednej granicy rozliczeniowej i bezpieczeństwa dla firm. Google opisuje też dwa wzorce inżynieryjne: wykorzystanie drugiej rodziny modeli do niezależnej weryfikacji kodu napisanego przez pierwszą ('LLM jako sędzia') oraz przydzielanie szybkich subagentów Gemini Flash do zadań mechanicznych o dużej skali, podczas gdy silniejszy model zajmuje się głębokim rozumowaniem.
Google wprowadziło TorchTPU – natywny backend PyTorch dla Cloud TPU (torch.device("tpu")) i wspólnie z Meta stworzyło fork TorchTitan dostosowany do treningu na TPU. Wcześniej trening modeli PyTorch na TPU wymagał przepisania kodu na JAX lub korzystania ze starszej ścieżki torch_xla; teraz wystarczają minimalne zmiany w inicjalizacji urządzenia. Fork oferuje gotowe przepisy do wstępnego treningu dużych modeli gęstych (Llama 3 70B/405B, Qwen 3 8B/32B), modeli MoE (Qwen 3 235B) oraz transformerów dyfuzyjnych (FLUX.1 12B), a także „Graph Trainer”, który przechwytuje cały krok treningowy jako jeden program XLA dla lepszej optymalizacji kompilatora.
Google ogłosił nowe silniki wnioskowania (inference) vLLM i SGLang, zbudowane bezpośrednio na PyTorch dla TPU, opracowane odpowiednio z Inferact i RadixArk. Silniki działają na nowej warstwie TorchTPU, która czyni TPU natywnym urządzeniem PyTorch, zastępując wcześniejsze podejście oparte na JAX. Google podaje publiczny wynik benchmarku na poziomie 2,01 centa za milion tokenów przy konfiguracjach o wysokiej współbieżności w ramach projektu SemiAnalysis InferenceX, a także wsparcie dla obciążeń agentowych, długiego kontekstu, rozproszonego serwowania i modeli multimodalnych.
Google Research ogłosił ukończenie ostatniego kamienia milowego otwartego standardu sprzętowego Coral NPU – 32-bitowej architektury RISC-V z nową jednostką Matrix Execution Unit (do 1 TOPS, ok. 10mW) oraz wydał kompilator open-source v1.0 oparty na IREE/MLIR, który przenosi modele z JAX, PyTorch i TensorFlow bezpośrednio na sprzęt. Synaptics wprowadza pierwsze komercyjne chipy oparte na tym standardzie, w tym serię mikrokontrolerów Astra SR200 (400 GOPS) oraz nowe zestawy deweloperskie Coralboard SR i SL, przy czym wersja SL jest już ogólnie dostępna przez DigiKey. Google współpracuje też z VeriSilicon i GlobalFoundries nad wdrożeniem otwartego RTL do produkcji chipów.
Red Hat, IBM i Google ogłosiły llm-d 1.0 — rozproszony system obsługi wnioskowania LLM natywny dla Kubernetes, który wykroczył poza demonstrowanie pojedynczych technik wydajnościowych i stał się gotowy do pełnej eksploatacji produkcyjnej. Wersja dodaje wielodostępową kontrolę jakości usług, operacje bez przestojów oraz obsługę świadomą agentów, dzięki czemu ten sam endpoint może efektywnie obsługiwać zarówno ludzi, jak i autonomiczne agenty. W jednym teście router świadomy prefiksów llm-d osiągnął 97% ponownego wykorzystania cache w obciążeniu agentowym związanym z kodowaniem, a IBM/Red Hat uruchomili 3000 jednoczesnych agentów inżynierii oprogramowania za 5-10 razy mniej niż koszt tego samego modelu jako usługi hostowanej.