Zespół inżynierski Google Cloud TPU współpracował z Ai2, aby od podstaw odtworzyć pre-trening Olmo 3 7B przy użyciu MaxText, frameworku treningowego JAX/XLA od Google, działającego na TPU zamiast oryginalnej konfiguracji PyTorch/GPU od Ai2. Dopasowali opublikowane wyniki Ai2 nie tylko w zakresie krzywej straty treningowej, ale na czterech niezależnych powierzchniach ewaluacyjnych typu held-out, obejmując cały run etapu 1 (~5,93 biliona tokenów, 1,41 miliona kroków) oraz fazę annealingu etapu 2. Po drodze przenieśli nietypową architekturę Olmo 3 (bloki z przestawioną normalizacją, QK-norm, stosunek uwagi sliding/global 3:1) do MaxText i wykryli błąd w ładowarce danych, który po cichu zawyżał pozorną wydajność poprzez zapamiętywanie, a nie rzeczywiste uczenie się.
Inżynierowie Google opisują, jak zaimplementowali rzadką uwagę przestrzenno-czasową (sparse spatio-temporal attention) dla modeli dyfuzji wideo na chipach TPU v6e, przekształcając teoretyczną rzadkość podejścia Sparse VideoGen (SVG) w realne przyspieszenia sprzętowe. Dzięki serii optymalizacji kernela (specjalizacja kafelków pełnych/brzegowych, strojenie rozmiaru kafelków oraz wyrównanie kafelków maski) zredukowali opóźnienie kernela uwagi z 96,37ms (naiwna wersja rzadka) do 32,76ms, co daje 2,40x przyspieszenie względem gęstej Splash Attention na pojedynczym chipie TPU v6e, przy 75,6K tokenów, 10 głowicach i wymiarze głowicy 128.
Google DeepMind zaprezentowało SynthID Bio, technologię znakowania wodnego, która osadza niewykrywalny, możliwy do zweryfikowania sygnaturowy znak w zaprojektowanych przez AI białkach i strukturach 3D bez naruszania ich funkcji biologicznej. System przetestowano na białkach wiążących (VEGF-A, SARS-CoV-2 spike RBD, PD-L1) z użyciem AlphaProteo oraz zmodyfikowanego ProteinMPNN, a także dostrojono do sieci dyfuzyjnej AlphaFold 3 w celu znakowania przewidywanych struktur 3D. DeepMind współpracuje również z laboratorium Hie na Stanfordzie oraz Arc Institute, aby zastosować to podejście do Evo 2, modelu genomowego, w celu znakowania zaprojektowanych genomów bakteriofagów. Celem jest wzmocnienie bezpieczeństwa biologicznego poprzez pomoc dostawcom usług przesiewowego badania syntezy DNA oraz publicznym bazom danych w weryfikacji pochodzenia projektów biologicznych generowanych przez AI.
Google Cloud wprowadził, w wersji public preview, zdalny serwer MCP, który udostępnia narzędzia wiersza poleceń gcloud i bq agentom AI za pośrednictwem dwóch narzędzi: run_gcloud_command i run_bq_command. Serwer działa w izolowanym, ograniczonym sieciowo środowisku sandbox w infrastrukturze Google Cloud, eliminując konieczność instalowania i utrzymywania lokalnych binariów CLI przez agentów. Wykorzystuje Agent Identity, OAuth 2.0 i IAM do uwierzytelniania, integruje się z Model Armor w celu wykrywania prompt injection oraz obsługuje Cloud Audit Logging zapewniający pełną widoczność wywołań narzędzi.
Google ogłosił, że jego Antigravity SDK obsługuje teraz uruchamianie agentowych przepływów pracy lokalnie i offline, z początkowym wsparciem dla Gemma 4 26B A4B działającego poprzez LiteRT z Google AI Edge. Deweloperzy mogą budować agentów działających całkowicie na urządzeniu, bez kosztów API w chmurze czy zależności od internetu. Google zademonstrował również hybrydowy wzorzec 'Architect-Builder', w którym model chmurowy (Gemini 3.8 Flash) planuje zadania, a lokalny rój instancji Gemma 4 26B wykonuje ciężką pracę, utrzymując kod źródłowy poza chmurą.