167 结果
2025年7月14日 / Gemini
The Gemini Embedding text model is now generally available in the Gemini API and Vertex AI. This versatile model has consistently ranked #1 on the MTEB Multilingual leaderboard since its experimental launch in March, supports over 100 languages, has a 2048 maximum input token length, and is priced at $0.15 per 1M input tokens.
2025年7月10日 / Gemini
GenAI Processors is a new open-source Python library from Google DeepMind designed to simplify the development of AI applications, especially those handling multimodal input and requiring real-time responsiveness, by providing a consistent "Processor" interface for all steps from input handling to model calls and output processing, for seamless chaining and concurrent execution.
2025年7月10日 / Cloud
Updates in Firebase Studio include new Agent modes, foundational support for the Model Context Protocol (MCP), and Gemini CLI integration, all designed to redefine AI-assisted development allow developers to create full-stack applications from a single prompt and integrate powerful AI capabilities directly into their workflow.
2025年7月9日 / Gemma
作为 Encoder-Decoder LLM 的新系列，T5Gemma 通过转换和调整基于 Gemma 2 框架的预训练 Decoder-only 模型开发而成，与其对应的 Decoder-only 模型相比，具有更出色的性能和效率，尤其适用于需要深度输入理解的任务，例如摘要和翻译。
2025年7月7日 / Gemini
Gemini API 新推出的批量模式专为高吞吐量、对延迟时间不敏感的 AI 负载而设计，通过执行调度和处理来简化大型作业，并使数据分析、批量内容创建和模型评估等任务更具成本效益和可扩展性，从而让开发者能高效地处理大量数据。
2025年6月26日 / Gemma
Gemma 3n 模型已经全面发布，在既往 Gemma 模型的成功基础上进一步提升，并以前所未有的性能为边缘设备带来先进的设备端多模态功能。欢迎探索 Gemma 3n 的创新，包括其移动设备优先架构、MatFormer 技术、分层嵌入、KV 缓存共享以及新的音频和 MobileNet-V5 视觉编码器，并了解开发者如何立即开始使用它进行构建。
2025年6月26日 / AI
Google 发布了 Data Commons 的新 Python 客户端库。Data Commons 是一个开源的知识图谱，整合了公共统计数据，并通过提供改进的功能、支持自定义实例以及实现对海量统计变量的便捷访问，提升了数据开发者使用 Data Commons 的体验。该项目的开发过程得到了 The ONE Campaign 的支持。
2025年6月25日 / Gemini
模拟神经操作系统的研究原型能够实时生成界面，以适应用户与 Gemini 2.5 Flash-Lite 的互动，借助互动追踪实现情境感知，通过流式传输界面确保响应速度，并基于内存中的界面图实现状态保持。
2025年6月24日 / Gemini
全新 AI 优先的 Google Colab 通过多项功能带来的改进提高工作效率，这些功能包括支持对话式编码的迭代查询、可实现自主工作流的新一代数据科学代理，以及轻松省心的代码转换等等。尝鲜者表示他们可借助 AI 优先的 Google Colab 加速推进 ML 项目，更快调试代码并轻松创建高质量可视化内容，其工作效率因此取得飞跃式提升。
2025年6月24日 / Kaggle
KerasHub 使用户能够混合搭配不同机器学习框架的模型架构和权重，支持将来自 Hugging Face Hub 等来源的检查点（包括使用 PyTorch 创建的检查点）加载到 Keras 模型中，并与 JAX、PyTorch 或 TensorFlow 配合使用。这种灵活性意味着，您可以充分利用大量经过社区微调的模型，同时完全掌控您所选择的后端框架。
