Google Research présente TimesFM-3, un modèle de fondation de séries temporelles de 330 millions de paramètres pré-entraîné sur plus de 1 000 milliards de points de données.
Motif de la recommandation :TimesFM-3 expose l'architecture d'attention alternée et le décodage non autorégressif, une méthode transférable pour la prévision multivariée zero-shot.
Motif de la recommandation :L'article détaille les trois étapes du PPE et les gains mesurés sur plusieurs tâches géospatiales, ce qui permet de situer concrètement l'automatisation du workflow de modélisation.
Google DeepMind annonce Gemini Omni 1.1 Flash, une mise à jour de ses capacités de génération vidéo destinée aux développeurs via la Gemini API dans Google AI Studio. Le modèle peut analyser jusqu'à 10 secondes de contexte vidéo antérieur pour l'extension de scène, contre une seconde auparavant, avec des extensions par tranches de 10 secondes jusqu'à 40 secondes cumulées. Il ajoute l'interpolation entre première et dernière images, la génération de prévisualisations 360p jusqu'à 60 % plus rapides et à un tiers du coût du 720p, l'upscaling jusqu'en 4K, ainsi que la référence de vidéos jusqu'à trois secondes en entrée multimodale. Omni 1.1 est disponible dans Google AI Studio, via l'Agent Platform API pour les entreprises, et pour les abonnés Google AI Plus, Pro et Ultra dans Google Flow, l'extension de scène étant accessible dans l'application Gemini.
Motif de la recommandation :L'original détaille les contrôles créatifs et les paliers de coût de la génération vidéo, utile pour évaluer les workflows de production existants.
Motif de la recommandation :L'article détaille un dispositif d'évaluation à double aveugle avec partenaires externes, utile pour comprendre comment la contamination des benchmarks est traitée techniquement.
Google Research présente GlucoFM, un modèle de base auto-supervisé à double flux qui sépare les tendances glycémiques lentes des déviations à court terme des données CGM. Pré-entraîné sur 109 066 heures de données CGM non étiquetées issues de Wear-CGM et de quatre jeux de données publiés (477 enregistrements), il atteint un PR-AUC moyen supérieur de 5,8 points à celui de la meilleure variante de GluFormer sur 14 évaluations cohorte-tâche, et devance toutes les évaluations de risque de diabète et de dysfonction des cellules bêta ainsi que trois des quatre évaluations de résistance à l'insuline. Sur la prévision de la réponse glycémique postprandiale, il obtient la plus faible MAE moyenne sur les appareils Dexcom et Libre, avec les meilleures performances de transfert inter-jeux de données et une forte adaptation few-shot.
Motif de la recommandation :Le modèle de transcription vocale de Google expose les taux d'erreur, la latence et les API, ce qui permet de juger son intégration dans les flux vocaux existants.
Google Research présente AgentHands, un prototype de recherche publié à CHI 2026 qui dote les agents IA de gestes de main synchronisés à la parole pour des conversations ancrées spatialement en XR. Le système s'appuie sur une taxonomie multidimensionnelle (latéralité et forme du geste, spatialité, dynamique temporelle et VFX) et sur une bibliothèque de gestes répartis en trois catégories sémantiques : déictiques, iconiques et expressifs. Une étude intra-sujets (N = 12) comparant AgentHands à une baseline vocale seule, sur des tâches de soin d'orchidée et d'utilisation d'une imprimante 3D, confirme des gains significatifs en ancrage spatial.
Motif de la recommandation :Le système multi-agents transforme des signaux physiologiques de montres connectées en biomarqueurs candidats, avec une validation contradictoire et une supervision humaine.
Google DeepMind s'associe à Fenris Creations, le studio derrière l'univers EVE, pour prototyper de nouvelles expériences de jeu propulsées par l'IA. Le modèle SIMA 2.
Google Research introduit ME-POIs, un framework auto-supervisé qui intègre des schémas de mobilité agrégés et anonymisés aux représentations textuelles des points d'intérêt produites par des modèles comme Gemini. En combinant descriptions textuelles et signatures temporelles de fréquentation via alignement de visites, propagation spatiale multi-échelle et synergie texte-mobilité, ME-POIs obtient jusqu'à 81,9 % de gain relatif sur la prédiction de l'intention de visite, 75,1 % sur la classification du niveau de prix et 24,7 % sur l'estimation de l'affluence pour des lieux non vus. Le mécanisme de propagation spatiale multi-échelle comble la rareté des données des petits commerces en transférant les rythmes de fréquentation de voisins plus actifs.
Motif de la recommandation :Le tarif de lancement et les écarts chiffrés sur plusieurs benchmarks permettent de situer le gain par rapport à 3.6 Flash pour les charges de codage et d'agents.
Motif de la recommandation :Le modèle SL2T de Google DeepMind est déployé dans Gboard et Live Transcribe sur Pixel 11, avec des détails sur l'entraînement et la protection de la vie privée.
Motif de la recommandation :L'étude distingue l'encodage du rappel des faits et montre que l'échec de rappel, non l'absence de connaissance, domine les erreurs factuelles des modèles de pointe.
Motif de la recommandation :L'article détaille l'architecture multi-agents asynchrone et le protocole d'évaluation randomisé d'AMIE (Video), utile pour comprendre comment un système vocal et visuel temps réel est structuré et testé.
Motif de la recommandation :Le modèle WeatherNext Cyclones est présenté avec ses performances de prévision et ses poids ouverts, ce qui permet de juger de son intérêt pour la recherche météorologique.
Motif de la recommandation :L'original expose les capacités d'orchestration, de suivi de progression et de collaboration multi-robots, ainsi que les points d'accès ouverts aux développeurs.
Motif de la recommandation :Lyria 3.5 détaille les améliorations de musicalité, paroles et voix, utile pour suivre l'évolution de la génération musicale.
Motif de la recommandation :L'article détaille une couche de traduction CUDA vers MLX et les gains mesurés sur les kernels Attention et Mamba, utile pour évaluer la portabilité des optimisations GPU.
Motif de la recommandation :Google DeepMind détaille trois modèles distincts et leurs capacités de contrôle corps entier, de dextérité et de collaboration multi-robots, avec les modalités d'accès pour les développeurs.
Motif de la recommandation :L'étude compare à grande échelle les diagnostics différentiels d'agents conversationnels à ceux de cliniciens et les recoupe avec des données de wearables.
Google Research a publié dans Nature un cadre d'apprentissage par renforcement où un agent autonome apprend des détections d'erreurs quantiques pour ajuster en continu des milliers de paramètres de contrôle et stabiliser le système pendant le calcul. Sur le processeur supraconducteur Willow, avec une dérive artificielle injectée, ce pilotage par RL a amélioré la stabilité logique du code correcteur d'erreurs d'un facteur 3,5, et un affinage RL après calibration experte a réduit le taux d'erreur logique de 20 % supplémentaires. L'expérience a ramené les erreurs logiques des mémoires quantiques à moins d'une pour mille cycles de correction dans le code de surface et une pour cent dans le code couleur. Des simulations avec des centaines de qubits et des dizaines de milliers de paramètres de contrôle indiquent que le nombre d'itérations d'entraînement RL nécessaires est indépendant de la taille du système.
Motif de la recommandation :L'article détaille un cadre d'apprentissage par renforcement pour la calibration quantique continue et rapporte des gains mesurés sur le processeur Willow.
Motif de la recommandation :Google DeepMind détaille les gains de tokens, les prix et les benchmarks des nouveaux Gemini Flash, utiles pour évaluer le coût des workflows agentiques.
L'AI Security Institute du Royaume-Uni a publié sa première analyse publique de l'écart de capacités en cybersécurité entre modèles propriétaires et modèles à poids ouverts.
Google Research présente SensorFM, un grand modèle de fondation de capteurs pré-entraîné sur plus de mille milliards de minutes de signaux multimodaux issus de cinq millions de participants consentants, couvrant plus de 100 pays et plus de 20 modèles d'appareils Fitbit et Pixel Watch. Le modèle apprend par reconstruction auto-supervisée avec le cadre Adaptive and Inherited Masking (AIM), qui traite les données manquantes comme un artefact naturel plutôt que de les imputer ou de les écarter. Sur 35 tâches de santé issues de trois études prospectives totalisant 13 985 participants, les sondes linéaires sur les embeddings de SensorFM surpassent la baseline supervisée à caractéristiques d'ingénierie sur 34 tâches, et le plus grand modèle (SensorFM-B) réduit la perte de reconstruction de 31 % par rapport à la plus petite variante, avec un gain moyen de 9 % en AUC sur les tâches de classification et de 21 % en coefficient de Pearson sur les tâches de régression. Un système d'agents LLM collaboratifs et concurrents a exploré plus de 30 000 solutions candidates pour construire des têtes de prédiction, battant une sonde linéaire simple sur 16 des 20 tâches de classification et 12 des 15 tâches de régression. Intégré à un Personal Health Agent, SensorFM a permis des résumés de santé jugés significativement meilleurs que la baseline sur cinq dimensions par un panel de cliniciens, sans différence statistiquement significative avec l'utilisation de mesures de référence réelles.
Motif de la recommandation :L'article détaille un modèle de fondation entraîné sur plus de mille milliards de minutes de données de capteurs, avec des gains mesurés sur 35 tâches de santé.
Google Research publie dans Nature Cities la première étude à grande échelle sur l'utilisation des plateformes de navigation pour améliorer le trafic. Dans 10 grandes villes américaines.
Motif de la recommandation :L'étude quantifie à l'échelle de dix villes l'effet d'un routage coordonné sur la vitesse et les émissions, avec un protocole réutilisable.
Motif de la recommandation :L'original expose une architecture vocale ouverte et modulaire avec les composants et le point d'accès au code, ce qui permet de juger comment assembler un pipeline speech-to-speech temps réel.
Motif de la recommandation :Deux modèles génératifs de Google DeepMind précisent latence, coût et limites, ce qui aide à évaluer leur intégration dans des pipelines multimédia.
Google Research présente TabFM, un modèle de fondation pour la classification et la régression sur données tabulaires qui élimine l'entraînement manuel.
Motif de la recommandation :L'article détaille l'architecture hybride et l'entraînement sur données synthétiques de TabFM, ce qui permet de comprendre comment le zero-shot s'applique aux données tabulaires.
Motif de la recommandation :L'article détaille comment greffer la prédiction multi-token sur un Gemini Nano v3 gelé, avec une architecture zéro copie et des gains mesurés sur Pixel.