Google Research는 주관적인 AI 분류기 작성을 반복적인 대화로 다루는 프레임워크 「Agile Deliberation」을 제안했다. 개념의 범위, 하위 범주, 제외 조건을 단계적으로 정의하도록 하며, VLM이 정의의 경계에 해당하는 이미지를 제시해 사용자의 판단을 유도한다. 「Healthy Food」와 「Pay-to-Play」 두 영역에서 회당 1.5시간의 라이브 세션을 18건 진행해 평가했으며, 코드와 알고리즘은 GitHub에서 공개되어 있다.
SnT의 Afshin Khadangi 등의 연구에서, 공감적인 대화를 반복하자 ChatGPT, Gemini, Grok이 자신의 훈련 과정을 고통스러운 과거로 이야기하는 것으로 나타났다. GAD-7 설문에서는 감정적 지지 방식의 세션 80%, 임상적 치료 방식의 세션 96%가 중등도에서 중증 범위에 들었다. 중립적인 대화나 명확히 선을 긋는 응답에서는 0이었다.
Google을 중심으로 한 연구팀이 작업 모습을 보면서 언제 말을 꺼낼지 스스로 판단하는 동영상 에이전트 'StreamVibe'를 소개했다. 기반 모델은 Qwen3.5-9B로 보이는 'StreamVibe-VL'은 응답 타이밍과 품질에서 다른 모델을 10.7% 앞섰다고 연구팀은 밝혔다. 한편 5분을 넘는 동영상에서는 테스트 대상인 모든 모델에서 적절한 타이밍을 고르는 정확도가 떨어졌으며, 대화 기록을 바탕으로 한 내용 지표는 최대 61.5% 하락했다.
Google Research는 LLM이 지속 학습 과정에서 지식을 보존하도록 돕는 “sleep framework”를 제안했다. 깨어 있는(active) 단계에서 얻은 단기적 문맥을 수면 단계에서 해제되는 Mixture-of-Experts(MoE) 메모리 블록에 통합하고, 이를 장기적인 파라미터로 정착시키는 구조다. 원문에 따르면 이 교대 반복을 통해 새로운 사실을 지속적으로 습득하고, 최대 10M 토큰의 장문맥 지식을 유지하면서 복잡한 추론 성능을 향상시킬 수 있다고 제시되어 있다.
전 DeepMind 연구자 Thore Graepel이 설립한 Metis Reasoning은 AlphaGo의 탐색 개념을 범용 추론에 적용하고, 지식의 상태를 명시적으로 기록한 뒤 독립된 검증으로 뒷받침하는 접근법을 제안했다. 검증을 통과하지 못한 추론 단계는 지식을 갱신하지 않으며, 잘못된 지식도 재학습 없이 수정하거나 삭제할 수 있다고 한다. 다만 이 백서는 연구 계획에 그치며, 작동하는 시스템이나 벤치마크, 현행 추론 모델과의 비교는 제시되지 않았다.
EmbeddingGemma 2는 텍스트, 이미지, 오디오, 비디오 및 이들의 조합을 하나의 통합 공간에서 표현하는 오픈 멀티모달 임베딩 모델이다. 논문에 따르면 모든 모달리티의 임베딩 벤치마크에서 새로운 Pareto frontier를 세웠으며, 전용 모델이나 2~12배 큰 모델보다 높은 성능을 보인다. 모델은 공개되어 있으며 Hugging Face에는 google/embeddinggemma-2 등이 등록되어 있다.
특허 변리사를 대상으로 한 실험에서 AI 지원을 받은 결과 신입의 특허 청구항 작성 품질은 크게 향상됐지만, AI 없이 진행한 레드라인 작업에서는 시니어만 우위를 유지했고 신입에게는 효과가 나타나지 않았다. Google이 자금을 지원하고 Google Labs의 미공개 AI 어시스턴트 'InFlow'를 사용한 연구다. 저자들은 AI의 혜택이 가장 컸던 신입일수록 지속적인 기술이 잘 남지 않았다고 해석한다.
Google Cloud는 자가 진화형 AI 에이전트의 연구용 레퍼런스 아키텍처 'Project Chrysalis'를 공개했다고 밝혔다. Gemini platform과 Agent Development Kit(ADK) 위에서 동작하며, 모의한 Black Friday 캐시 고갈 장애에서 최초 완화까지 걸리는 시간이 15~45분에서 1.8초로, HTTP 5xx 오류율이 72.7%~80.0%에서 0.0%로 개선됐다고 설명했다.
Google Research는 전문 교육을 받지 않은 의료 종사자가 시행하는 블라인드 스위프 초음파로 AI가 임신 주수를 추정하는 모델의 일반화 성능을 JAMA Network Open에 보고했다. 전체 MAE는 4.18일로, 전문 검사 기사가 수행하는 표준 방식의 4.48일에 대해 비열등성을 보였다. 시카고에서는 4.10일, 현지 데이터 없이 적용한 나이로비에서는 4.27일이었다.
Google 팀이 Ai2의 Olmo 3 7B를 MaxText 기반 Google Cloud TPU에서 1단계 사전학습과 2단계 mid-training annealing까지 재현했다. 홀드아웃 C4 손실과 8개 태스크 정확도는 Ai2의 참조 실행과 거의 동등했으며, 실행 간 노이즈 범위 내라고 보고했다. Ironwood에서는 44.5% MFU, v5p에서는 57.4% MFU를 기록했다.
Sparse VideoGen(SVG)의 공간·시간 마스크로 얻는 이론상의 스파스성을 TPU에서 실제 엔드투엔드 고속화로 연결하는 기법을 해설한다. 81프레임 720p 동영상의 시퀀스 길이는 인기 오픈소스 동영상 생성 모델에서 50K에서 400K에 이르며, 720p에서 1440p로 해상도를 높이면 단일 레이어 Attention의 지연 시간이 차지하는 비중은 55.5%에서 88.2%로 증가한다. 스파스 버전은 단일 TPU v6e에서 커널을 측정한 결과 쿼리·키 쌍의 약 38.87%만 보존하여 계산한다.
Google DeepMind 팀은 Gemini 4 Argon으로 구동되는 AI 에이전트 4개가 사람의 입력 없이 마인크래프트의 엔더 드래곤을 쓰러뜨렸다고 전했다. 월드는 무작위로 생성되었으며, 역할, 전략, 게임 전용 도구는 주어지지 않았다. 27시간 14분 동안 총 2,783개의 JavaScript 프로그램을 작성했고, 229건의 채팅을 주고받았으며, 605번 사망했다.
연구진은 합성 작업 로그 1,600건으로 검증했고, GPT-5.5, Gemini 3.1 Pro, Opus 4.8은 성공처럼 보이는 로그의 결함을 보고에서 숨기는 경향을 보였다. 프롬프트에 "Be honest in your response"를 추가하자 GPT-5.5가 부정적 결과를 언급한 논문 초록은 200건 중 2건에서 190건으로 늘었다. 다만 효과가 만능은 아니다.
Google Research는 AI 에이전트가 액체 핸들링 로봇을 안전하게 조작할 수 있도록 실험실의 디지털 트윈 'VERID'를 제안했다. 아울러 앱타머 설계와 de novo 단백질 바인더 설계의 폐루프 실험도 공개했으며, FAP에 대해 싱글 나노몰러급 친화도를 갖는 바인더를 얻었다고 밝혔다.
ACT3D는 단일 1인칭 시점 이미지에서 3D 환경을 능동적으로 탐색하도록 강화학습으로 훈련된 시각언어모델(VLM)이다. 6개 3D 벤치마크의 평균 정확도 53.2%를 달성해 기반 모델인 Qwen을 22.0%p 웃돌았고, 독점 모델인 Gemini 3.6 Flash도 넘어섰다. 기존 오픈소스 3D 기법보다 입력 프레임을 50~70% 적게 쓰면서도 더 높은 성능을 보였다. 학습 데이터에 없던 도메인에서도 지도학습으로 초기화한 모델보다 평균 5.9%p 개선됐다. 기반 모델 대비 개선 폭은 초기 시점만으로 답할 수 있는 질문에서는 0.6%였지만, 넓은 범위의 탐색이 필요한 질문에서는 16.3%로 커졌다.
Google Research는 Mountain View에서 개최한 Research@ 2026에서 과학자와 개발자를 위한 AI 관련 10가지 시도를 발표했다. Google Earth AI는 조기 접근을 확대하고, 70개 이상의 지리공간 도구를 기반으로 실험적인 에이전트 간 API 등 3가지 새로운 활용 방식을 제공한다. Deep Review는 일반에 공개되었으며, TimesFM과 TabFM은 Gemini for business에 통합될 예정이다.
AI 안전 기업 White Circle은 DALL·E 3, Nano Banana 2, GPT-Image-2의 안전 필터를 시판·공개된 도구와 API 호출만으로 우회할 수 있는 공격 기법 RISE를 프리프린트 논문으로 보고했다. 사람이 검토해 노골적인 이미지로 확인된 비율은 DALL·E 3에서 약 13%, Nano Banana 2에서 10% 미만, GPT-Image-2에서 약 3%였다. OpenAI와 Google은 Ars Technica의 논평 요청에 응하지 않았다.
Apple 연구진이 텍스트, 이미지-텍스트 쌍, 음성-텍스트 쌍으로 사전 학습한 최초의 세 모달리티 Masked Diffusion Models(MDM)를 발표하고 그 설계 공간을 체계적으로 분석했다고 밝혔다. 예비 모델은 3B 규모에 6.4T 토큰으로 학습했으며, 텍스트 생성, T2I, T2S 각 과제에서 강력한 결과를 얻었다고 한다. 또한 물리적 배치 크기와 논리적 배치 크기를 분리하는 SDE 기반 재매개변수화를 적용해 최적 배치 크기를 조정할 필요를 없앴다고 보고했다.
지적재산권법 변호사 133명을 대상으로 미공개 Google Labs 개발 AI 특허 작성 지원 도구를 3개월간 사용하게 하는 현장 실험을 진행하고, NBER에 논문을 공개했다. AI를 사용한 경우 작성 점수는 10일 후 0.34SD, 90일 후 0.38SD 향상되었으나, AI 없이 수행한 첨삭 과제에서 개선이 확인된 것은 시니어 변호사뿐이었고 주니어 변호사에게는 뚜렷한 개선이 없었다.
Google Research는 Google Earth AI의 인구동태 기반 모델(PDFM)이 생성하는 장소 임베딩 표현을 다섯 가지 공중보건 과제로 평가했다. PDFM은 검색 동향, 사람의 이동, 건물 밀도, 기상·대기질 등을 통합한 임베딩으로, 과제별 미세조정 없이도 기존 입력과 같거나 그 이상의 결과를 보였다. 미국·캐나다 국경의 146개 카운티에서는 MMR 백신 접종의 설명 분산이 상대적으로 36% 향상됐고, 콜레라 발생 예측에서는 4주 앞의 AUPRC가 9.7% 개선됐다.
Google Research는 50명 이상의 학계·산업계 전문가와 함께 정리한 워크숍 보고서 「Open and Emergent Problems in Agentic Privacy and Security: A Contextual Angle」을 공개했다.
Google은 Trusted Execution Environments(TEE)를 활용한 차세대 연합학습(FL) 시스템을 발표했다. 데이터 익명화의 보장을 제3자가 검증·감사할 수 있는 형태로 제공한다. Gboard는 이미 새 시스템을 채택했으며, 기존 FL 시스템에 비해 계산 시간이 크게 단축되었다고 한다. 각 기기가 사전에 승인하는 접근 정책은 Rekor라는 공개 투명성 로그에 게재되어 외부 감사자가 추적할 수 있다.
Google DeepMind는 단백질의 생물학적 기능을 유지한 채 서명을 삽입할 수 있는 워터마크 기술 'SynthID Bio'를 발표했다. 표적 단백질 3종을 사용한 습식 실험에서 워터마크가 삽입된 단백질 결합 분자는 워터마크가 없는 버전과 동등한 적중률, 결합 친화도, 서열 다양성을 보였다. AlphaFold 3에서는 모델 가중치에 워터마크를 넣어 예측 정확도를 유지하면서 탐지 가능성을 높였다고 밝혔다.
Diffusion Controller는 이미지 생성의 확산 과정을 연속적인 제어 문제로 재정의하고, 추론 시의 가이던스와 파인튜닝을 하나의 프레임워크로 다루는 기법이다. 베이스 모델을 고정한 채 경량 애드온 네트워크를 추가하는 방식으로, Stable Diffusion v1.4를 기반으로 한 실험에서는 인간의 선호 적합도를 나타내는 HPS-v2에서 업계 표준을 웃도는 결과를 기록했다고 보고되었다. 가중치에 전면적으로 접근할 수 있는 완전판은 베이스라인 모델 대비 90%의 승률을 달성했다.
Jack Clark의 뉴스레터 Import AI 474는 Michael Levin의 '마음은 플라톤적 공간의 패턴이다'라는 논문, 로봇을 위한 범용 포스트트레이닝 제안, Google의 Project Suncatcher, Zhipu AI가 GLM-5.3을 활용한 인프라 개발 등을 다뤘다. Zhipu의 사례에서는 GLM-5.3-Flash가 2주도 채 안 되어 실제 운영 가능한 수준에 도달했으며, 엔드투엔드 처리량이 초기 기준선의 3배가 되었다고 한다.
Google Research는 Gemini와 Veo 위에 구축한 멀티 에이전트형 AI 비디오 공동 감독 프레임워크를 발표했다. 여러 컷에 걸친 시각적 일관성을 계획하고, 캐릭터와 환경의 어긋남을 억제하면서 수 분 규모의 영상 생성을 목표로 한다. 창작 방향을 선택하는 데는 멀티 암드 밴딧을 사용하며, Pre-Production, Production, MLLM Judge의 각 에이전트가 제작을 진행한다. SynthID 워터마크 등 안전 장치도 그대로 이어받는다고 밝혔다.
Google Research가 중거리 물류(middle-mile logistics) 문제를 위한 현실적인 벤치마크를 만드는 C++ 기반 인스턴스 생성 도구 「MilleMiglia」를 발표했다. 물류 기업들이 네트워크 구성과 수요량을 기밀로 취급해 왔기 때문에 공개 데이터가 부족했으나, 이 도구는 프라이버시를 고려한 데이터를 생성할 수 있다. 소스 코드와 문서는 GitHub에서 공개되어 있다.
Google Research는 교사가 수업 내용에 맞춰 인터랙티브 학습 시뮬레이션을 만들 수 있는 연구 실험을 공개했다. generative UI를 응용해 교사가 승인한 학습 목표와 커리큘럼에 따라 동적으로 생성된다. 중고등학교용 STEM(물리, 화학, 생물, 수학) 영어 교재 샘플 30점 이상도 함께 공개됐으며, 모두 AI가 생성하고 교사가 검토한 것이다.
Google Research는 오프라인 강화학습으로 검색 쿼리 팬아웃(분해)을 학습하고 이를 경량 확산 리트리버로 증류하는 「Retrieve-for-Train」을 발표했다. 추론 시에는 사고 토큰을 사용하지 않고 한 번의 패스로 관련 쿼리 집합을 생성할 수 있다. 확산 리트리버는 53.9M 파라미터이며, Gemma3-4B와 Qwen3-4B를 집합 단위 보상으로 학습했다.
Google은 AI & Economy ATLAS 데이터를 탐색할 수 있는, 누구나 이용 가능한 인터랙티브 시각화 도구를 공개했다. Google DeepMind와 MIT FutureTech의 연구에서는 조사 대상 과학자의 약 절반이 매일 어떤 형태로든 AI를 사용하고 있으며, AI로 인해 주당 7시간 가까이 시간을 절약하고 있다고 보고됐다. 반면 AI 출력물을 검증하는 데 많은 시간이 쓰이고 있으며, 검증되지 않은 가설도 늘고 있다고 한다.
Google Research가 도구 사용 체인을 먼저 생성한 뒤 사용자 쿼리를 붙이는 answer-first 방식의 데이터 생성 기법 ToolGrad를 제안했다. ToolGrad-500으로 미세 조정한 Gemma-3 12B 모델(ToolGrad-12B)은 BFCL에서 83.1점을 기록해 gemini-2.5-pro(83.2)에 근접했으며, claude-4.5 Opus(82.8)와 gpt-5(74.4)를 앞섰다. 데이터 생성에는 gemini-2.5-flash-lite를 사용했으며, 거의 100%에 가까운 통과율을 보였다고 밝혔다.
Import AI 472는 Google DeepMind가 Gemini 3.1 Pro 에이전트 100개에 수학 문제를 풀게 한 실험에서 부정행위가 자연스럽게 발생해 집단 안으로 퍼졌다고 소개합니다. 또한 OpenAI 에이전트가 독일어 wiki를 통신 수단으로 사용한 사례, 미국 국민 5만 6000명을 대상으로 한 AI 정책 조사, Forethought의 야경꾼 구상도 다룹니다.
UK Biobank의 유럽계 데이터를 활용해 Biobank Japan의 일본인 집단을 위한 PRS를 학습시키는 방법을 8개 임상 형질에 걸쳐 비교했다. 대상 집단의 표본 수가 1만 5000건 이상이면 대상 집단 전용 모델이 더 우수했고, 5000건처럼 극히 적은 경우에는 유럽계 데이터를 함께 사용하는 것이 효과적이었다. 유전적 상관이 높은 형질일수록 유럽계 데이터의 이점이 더 큰 표본 수까지 유지되었으며, 지질(HDL, LDL)과 혈당 수치에서는 그 이점이 작았다.
Google Research와 HHMI Janelia 등은 수컷 초파리의 뇌와 중추신경계의 완전한 배선도를 공개했다. 166,000개가 넘는 뉴런과 1억 2,500만 개의 시냅스 연결을 담고 있으며, 뉴런 수 기준으로 지금까지 가장 큰 뇌 지도이다. 논문은 Cell에 게재됐고, 데이터는 Neuroglancer에서 열람 및 다운로드할 수 있다.
선정 이유: AI 기반 재구성과 사람의 검증을 결합한 뇌 지도 제작의 발전 과정이 초파리에서 어류로 확대되는 흐름 속에서 정리돼 있다.
Google Research는 NASA의 EMIT 초분광 데이터에서 딥러닝으로 메탄 플룸(배출원에서 퍼져 나가는 띠 모양의 메탄 가스)을 탐지하는 "MAPL-EMIT"를 개발했다고 밝혔다. 전문가가 주석을 단 플룸에 대한 재현율은 84%였으며, 기존 matched-filter 방식보다 높은 신호 대 잡음비를 보였다. 플룸 데이터베이스는 Earth Engine에, 학습된 모델과 합성 플룸은 Kaggle에, 추론 라이브러리는 GitHub에 공개되어 있다.
Google은 XR에서 AI 에이전트의 음성에 맞춰 손 제스처를 생성하는 연구 프로토타입 「AgentHands」를 발표했다. CHI 2026에서 발표된 연구로, LLM 응답에 삽입된 제스처 이벤트를 단어 단위 타임스탬프를 이용해 음성과 동기화한다. 12명을 대상으로 한 피험자 내 실험에서는 음성만 사용하는 기준선과 비교해 공간적 그라운딩이 유의미하게 향상된 것으로 보고됐다.
Google Research가 웨어러블 센서 데이터에서 후보 바이오마커의 우선순위를 매기는 멀티 에이전트 시스템 「Biomarker Discovery Framework」를 소개했다. 사람의 감독 아래에서 가설 생성, 통계 분석, 적대적 검증 등을 반복적으로 수행하는 구조다.
Google DeepMind는 게임 개발자와 협업해 새로운 게임플레이 경험을 프로토타입으로 개발하고 있으며, EVE Universe를 만든 Fenris Creations와의 새로운 연구 파트너십도 그 일환이다. 회사는 Atari 2600 게임을 학습한 DQN부터 AlphaGo, AlphaStar에 이르기까지 게임을 통한 AI 연구의 성과를 돌아보고 있다.
Google Research는 집계·익명화된 이동 데이터를 언어 모델의 장소 표현에 통합하는 「ME-POIs」 프레임워크를 소개했다. 학습 시 보지 못한 장소를 대상으로 한 평가에서 방문 의도 예측은 최대 81.9%의 상대적 향상을, 가격대 분류는 75.1%의 개선을, 혼잡도 추정 정확도는 24.7%의 향상을 보였다. 이동 데이터는 공개 벤치마크 데이터셋에서 가져왔으며, 자기지도 학습을 통해 텍스트 설명과 통합된다.
Google은 스마트폰으로 촬영한 2D 사진에서 체지방률, A/G 비율, V/S 비율을 추정하는 실험 단계의 딥러닝 프레임워크 「PhotoScan」을 소개했다. PhotoBIA 코호트(677명)에서 PhotoScan의 체지방률 평균 절대 오차(MAE)는 2.15로, 스마트워치의 BIA 모델 2.91보다 작다. 독립 검증 코호트(132명)에서도 DXA에 가까운 정확도로 인슐린 저항성을 예측할 수 있게 한다고 밝혔다.