Google 发布 ForestCast 预测森林砍伐风险并开源基准数据集
Google Research 与 DeepMind 发布 ForestCast，利用纯卫星数据和视觉 Transformer 模型预测森林砍伐风险。同时开源首个用于训练深度学习模型的公开基准数据集，旨在帮助政府和企业提前干预以遏制森林损失。
推荐理由：基于纯卫星数据预测森林砍伐风险并开源基准数据集，为生态保护提供可复现的AI工具。
Google Research精选AI 评分7070 Google ResearchAI 评分3030 Google Project Suncatcher 发布太空 AI 基础设施系统设计研究
Google 发布 Project Suncatcher 研究，提出由搭载 Google TPUs 的太阳能卫星组成的星座，通过自由空间光链路连接以构建可扩展的太空 AI 基础设施。早期实验验证了单对收发器可实现 800 Gbps 传输，Trillium v6e Cloud TPU 在辐射测试中表现稳健，预计 2030 年代中期发射成本将降至 200 美元/kg 以下。
Google ResearchAI 评分2525 Google Research 发布 Google Earth AI、DeepSomatic 与 Quantum Echoes 三大突破
Google Research 发布 Google Earth AI、DeepSomatic 与 Quantum Echoes 三大突破，加速科研与应用的循环。
Hugging Face BlogAI 评分2727 Google Cloud C4 虚拟机配合 Intel 处理器实现 GPT OSS 推理 TCO 降低 70%
Google Cloud C4 虚拟机配合 Intel Xeon 6 处理器，使 OpenAI GPT OSS 大语言模型的推理总拥有成本（TCO）较上一代 C3 虚拟机降低 70%。该配置在吞吐量方面实现 1.4 倍至 1.7 倍提升，且每小时价格更低。
Hugging Face Blog精选AI 评分8282 Google发布EmbeddingGemma开源多语言嵌入模型
Google发布EmbeddingGemma，一款仅308M参数、支持100多种语言的开源多语言嵌入模型，专为端侧设备设计。该模型基于Gemma3架构，在MTEB基准测试中表现优异，并提供了Sentence Transformers、LangChain、LlamaIndex等主流框架的集成示例及微调指南。
推荐理由：模型仅308M参数且支持100+语言，适合端侧部署，并提供了多框架集成与微调指南。
Hugging Face BlogAI 评分3232 在 GCP 5代 Xeon 上对语言模型性能进行基准测试
在 Google Cloud 的 5代 Xeon C4 实例上，文本嵌入吞吐量比 N2 高 10-24 倍，文本生成高 2.3-3.6 倍。C4 每小时价格约为 N2 的 1.3 倍，在文本嵌入和生成任务中分别保持 7-19 倍和 1.7-2.9 倍的 TCO 优势。
Hugging Face Blog精选AI 评分7979 Google 发布 PaliGemma 2 多模态模型
Google 发布 PaliGemma 2 视觉语言模型，基于 SigLIP 和 Gemma 2 架构，提供 3B、10B 和 28B 三种参数规模，支持 224x224、448x448 和 896x896 多种输入分辨率。模型采用 Gemma 许可协议，支持商业使用与微调，Hugging Face 同步更新了 transformers 集成与 LoRA 微调脚本。
推荐理由：提供了多尺寸模型与多分辨率支持，并附带微调脚本，便于开发者快速适配视觉语言任务。
Hugging Face Blog精选AI 评分6565 Hugging Face 发布 SynthID Text 文本水印工具
Google DeepMind 与 Hugging Face 联合在 Transformers v4.46.0 中发布 SynthID Text，提供用于在 AI 生成文本中嵌入不可见水印的 logits processor 及检测分类器。该工具通过伪随机函数增强生成过程，支持配置密钥和 ngram 长度，并附带端到端的检测器训练示例。
推荐理由：官方提供了可直接复用的水印生成与检测代码，帮助开发者在生成文本中嵌入可验证的AI标识。
Hugging Face BlogAI 评分3535 在 Google Cloud Vertex AI 上部署 Meta Llama 3.1 405B
Meta Llama 3.1 405B 模型可在 Google Cloud Vertex AI 上部署，推荐使用 FP8 量化版本以适配 8 x H100 的 A3 节点。该模型具备 128K tokens 上下文窗口，支持多语言及工具使用。部署需配置 Vertex AI API 并申请 A3 节点配额。