Google DeepMind는 코딩과 에이전트용 최신 Flash 모델 Gemini 3.7 Flash를 발표했다. 3.6 Flash 공개 3주 만이며, FrontierCode 1.1 Main은 34.4%에서 43.6%로, DeepSWE v1.1은 49.0%에서 65.3%로 향상됐다. 도입 가격은 입력 100만 토큰당 $0.75, 출력 100만 토큰당 $3.75이며, 연말까지 적용된다.
Google DeepMind는 50개 이상의 수어를 학습한 수어-텍스트 번역 모델 SL2T를 발표했다. Pixel 11의 Gboard와 Live Transcribe에서 ASL에서 영어로의 수어-텍스트 입력을 지원한다. FLEURS-ASL(sd-test)에서 제로샷 70 BLEURT를 기록했으며, 기존 보고치를 크게 웃돈다고 설명하고 있다.
선정 이유: 수어를 포즈 좌표만으로 번역하는 설계와 10만 시간이 넘는 학습 데이터, 알려진 오류 사례까지 구체적으로 제시되어 있어 수어 AI의 현황을 파악하기 좋다.
LLM의 사실 오류 대부분은 지식이 아직 없는 "빈 선반"이 아니라 꺼내지 못하는 "잃어버린 열쇠", 즉 회상의 실패라고 Google Research가 밝혔다. Gemini-3-Pro와 GPT-5에서는 사실의 95–98%가 부호화되어 있지만, 직접 회상하지 못하는 사실이 26–34%였고, 사고를 활용해도 11–12%는 실패한다.
Google Research는 Gemini와 Project Astra를 기반으로 실시간 영상 진찰을 수행하는 연구용 AI 시스템 AMIE (Video)를 공개했다. 100개 시나리오, 300건의 모의 진료를 대상으로 한 무작위 배정 연구에서 핵심 임상 역량이 일차 진료의(PCP)와 동등하다고 평가됐다. 다만 평가는 모의 환자를 활용한 환경으로 제한되어 있어, 실제 환자를 대상으로 한 검증이 다음 과제로 꼽힌다.
Google DeepMind는 사이클론의 진로, 강도, 바람 구조를 단일 모델로 예측하는 WeatherNext를 Nature 논문으로 발표하고, WeatherNext 2와 WeatherNext Cyclones의 코드 및 모델 가중치를 공개했다고 밝혔다. 3일 앞의 예측이 기존 모델의 2일 앞 예측 정확도에 해당하며, 평균적으로 하루치 예측 정확도가 더해진다고 한다. 소형 버전인 WeatherNext 2-mini도 함께 공개됐으며, 무료 Colab 노트북에서 단일 TPU로 실행된다.
선정 이유: 단일 모델로 진로, 강도, 바람 구조를 예측하는 방식과 가중치 및 코드의 공개 범위가 구체적으로 제시되어, 기상 분야에서의 재활용을 검토할 자료가 된다.
Google Research가 AI가 생성하는 연구 성과의 주장을 증거의 연쇄(Chain-of-Evidence)로 추적할 수 있도록 하는 자율형 연구 프레임워크 「Science One Framework」를 발표했다. 기존 베이스라인 시스템은 참고문헌의 최대 21%를 환각(할루시네이션)으로 생성한 반면, 이 프레임워크는 가상의 참고문헌을 0으로 억제했다. 75편의 논문을 대상으로 한 CoE Audit에서는 4개의 정합성 검사 모두에서 기존 시스템을 웃돌았으며, MLE-Bench와 Parameter-Golf 같은 벤치마크에서도 최첨단 성능을 달성했다고 밝혔다.
Google DeepMind가 로봇을 위한 '신체성 추론' 모델 Gemini Robotics ER 2를 공개했다. 영상 이해, 작업 오케스트레이션, 다중 로봇 협업을 지원하며 ER 1.6에서 성능이 강화됐다. Gemini API와 Google AI Studio를 통해 개발자에게 제공되며, Gemini Enterprise Agent Platform에서는 비공개 프리뷰로 제공된다.
Google DeepMind의 새로운 음악 생성 모델 'Lyria 3.5'가 Google Flow Music에서 제공을 시작했다. 회사는 멜로디의 복잡성과 자연스러움, 가사의 품질과 지시 이행 능력, 보컬의 표현력과 발음이 개선되었다고 밝혔다. 템포와 길이를 더 쉽게 조절할 수 있는 기능도 추가되었다.
Google Research는 일상적인 증상 평가를 위한 대화형 AI 에이전트 SymptomAI의 연구 결과를 공개했다. Gemini Flash 2.0을 기반으로 한 5종의 에이전트를 사용했으며, 전국 규모의 무작위 배정 연구(n=13,917)로 평가했다. 임상의 3명의 평가에서 SymptomAI의 감별 진단(DDx)은 다른 임상의의 진단과 동등하거나 그 이상의 빈도로 선호되었으며, top-5 Accuracy에서도 임상의를 앞섰다.
구글은 양자 오류 정정의 검출 이벤트를 학습 신호로 활용해, 계산 중에 수천 개의 제어 파라미터를 조정하는 강화학습 프레임워크를 Nature에 발표했다. Willow 초전도 프로세서에서는 인위적인 드리프트 상황에서 논리 안정성이 3.5배 향상됐다. 전문가에 의한 보정 이후에도 논리 오류율은 20% 더 억제됐다.
Google은 미국 에너지부(DOE)의 Genesis Mission을 지원하기 위해 연구자들에게 4,000만 달러 상당의 AI 토큰과 클라우드 크레딧을 제공한다고 밝혔다. DOE Genesis Mission의 지원 대상자에게는 AlphaEvolve, AlphaFold 3, AlphaGenome, WeatherNext, AlphaEarth Foundations를 현물로 제공하며, DOE 국립연구소의 수만 명 규모 운영·연구·관리 인력에게는 1년 동안 Gemini for Government 시트와 토큰을 제공한다.
Google는 에이전트 구축용으로 Gemini 3.6 Flash, 3.5 Flash-Lite, 3.5 Flash Cyber를 발표했다. 3.6 Flash는 Artificial Analysis Index에서 3.5 Flash보다 출력 토큰이 17% 적으며, 가격은 입력 $1.50/1M, 출력 $7.50/1M이다. 3.6 Flash와 3.5 Flash-Lite는 같은 날부터 Gemini API 등에서 이용할 수 있다.
선정 이유: 3.6 Flash와 Flash-Lite의 가격, 속도, 벤치마크 수치가 나란히 제시되어 있어 에이전트 용도에서 모델 선택을 비교하기 쉽다.
Google은 3.5 Flash를 기반으로 취약점 발견·검증·수정에 특화해 미세조정한 경량 사이버보안 모델 「Gemini 3.5 Flash Cyber」를 발표했다. 제한 공개 파일럿으로, 우선 정부 및 신뢰할 수 있는 파트너에게 CodeMender를 통해 제공된다. V8에서는 고정 횟수의 호출로 확인된 고유 문제 55건을 발견해, 3.5 Flash의 47건과 Claude Opus 4.6의 36건을 웃돌았다.
Google DeepMind와 Isomorphic Labs는 생물학적 회복력에 관한 공동 대응 방안을 공개하고, 예방·탐지·대응 3개 분야에서 신뢰할 수 있는 파트너에게 AI 모델과 에이전트를 제공한다고 발표했다. 지난 12개월 동안 정부 기관, 생물보안 조직, 연구 그룹과 15건 이상의 제휴를 추진했다고 밝혔다. 예방 분야에서는 위협 모델링, 평가, 완화책, 모니터링의 4단계 안전 절차를 적용하며, 탐지 분야에서는 AlphaEvolve가 메타게놈 시퀀싱 데이터의 분석 알고리즘을 최적화한다.
확산 모델의 '창의성'은 신경망 학습 과정에서 생기는 '스코어 평활화(score smoothing)'에서 비롯된다고 Google Research가 설명했다. 학습 데이터 사이를 잇는 보간 영역에서 새로운 데이터가 생성되는 구조로, 가중치 감쇠(weight decay)가 강할수록 학습된 스코어 함수가 중간 영역에서 더 매끄러워진다는 것을 1차원 실험으로 보였다. 연구 성과는 ICLR 2026에서 발표된 논문 「On the Interpolation Effect of Score Smoothing in Diffusion Models」에 정리되어 있다.
Google DeepMind는 Gemini 기반 웹 앱 「ATL Saathi」의 라이브 파일럿을 시작했다. Atal Tinkering Labs(ATL)의 모든 교육자에게 24시간 이용 가능한 수업 계획·연수 지원 어시스턴트를 제공한다. 초기에는 전국 100개 학교에서 운영하며 8개 언어를 지원한다. 12개 핵심 모듈에 대해 요약, 인포그래픽, 인터랙티브 퀴즈를 생성하고, 10개 모듈에서는 프로젝트 아이디어와 조립 절차, 배선도, 안전 주의사항을 제시한다.
Google Research가 라벨 없는 웨어러블 데이터로 학습하는 대규모 센서 기반 모델 SensorFM을 발표했다. 500만 명의 1조 개가 넘는 센서 신호로 사전 학습했으며, 35개 건강 과제 중 34개에서 엔지니어링 특징량 기반의 지도 학습 기준선을 웃돌았다. AI 에이전트를 활용한 예측 헤드의 자동 설계와 Personal Health Agent에 대한 통합도 검증하고 있다.
Google Research는 미국 10개 도시에서 Google Maps의 경로 안내를 일부 변경한 실험 결과, 소수의 주행만 분산시켜도 도시 전체의 교통이 개선됐다고 발표했다. 정체 구간을 피하는 대체 경로를 제시하자 해당 구간의 주행 속도는 중앙값 기준 약 2% 향상됐고, 연료 소비율은 0.5%에서 1.0% 낮아졌다. 경로 변경을 수용한 주행은 관측된 전체의 2% 미만이었으며, 연구 성과는 Nature Cities에 게재됐다.
Google DeepMind와 스튜디오 A24는 아티스트를 위한 새로운 워크플로와 기술을 개발하기 위한 공동 연구 파트너십을 체결했다. 양측은 여러 프로젝트에 걸쳐 연구 개발에서 협력하며, A24의 영화 제작자들이 Google DeepMind의 기술 개발에 직접 참여하는 체제가 된다. Google은 A24에 대한 투자도 진행하고 있으며, 구체적인 목표와 성과는 앞으로 변화해 나갈 것으로 알려졌다.
Ethan Mollick은 AI의 능력이 지수적으로 향상되고 있으며, 활용의 중심이 챗봇과의 협업에서 에이전트에게 업무를 맡기는 방식으로 옮겨가고 있다고 주장한다. METR, 영국 AI Security Institute, GDPval 등의 평가는 지수를 웃도는 속도로 성능이 늘고 있음을 보여준다고 한다. Epoch는 Opus 4.7이 14시간 동안 단독으로 작업해 사람이 2~17주 걸리는 소프트웨어 패키지를 만들었다고 보고했다.
Google Research는 50개 이상의 세계 도시를 대상으로 건물 단위 지붕 반사율(알베도) 데이터셋을 공개하고, 이 데이터를 제공하는 Heat Resilience Earth Engine App을 시작했다. Sentinel-2 위성 데이터와 30cm 해상도 위성 영상(Airbus Pléiades Neo)을 융합하는 방식을 사용했으며, 제곱근 평균 제곱 오차(RMSE) 0.04로 검증됐다. 대상은 9개국의 50개 이상 도시로, 런던, 아테네, 바르셀로나, 리우데자네이루, 상파울루, 로스앤젤레스, 오스틴, 뉴욕시 등이 포함된다.
Google DeepMind는 가장 빠르고 저렴한 이미지 모델 Nano Banana 2 Lite와 동영상 생성·대화형 편집 모델 Gemini Omni Flash를 개발자용으로 제공하기 시작했다. Nano Banana 2 Lite는 1K 이미지당 $0.034이며, text-to-image 출력은 4초가 걸린다. Omni Flash는 동영상 출력 1초당 $0.10이다. 두 모델 모두 Google AI Studio와 gemini API에서 이용할 수 있다.
선정 이유: 이미지 생성과 동영상 생성 두 모델을 연결해 쓰는 방식과 가격 및 제한 사항이 구체적으로 제시되어 있어, 개발 도입 여부를 판단하는 자료가 된다.
Google Research는 표 형식 데이터의 분류와 회귀를 제로샷으로 수행하는 기반 모델 TabFM을 발표했다. 문맥 내 학습을 통해 모델 학습, 하이퍼파라미터 조정, 특성 엔지니어링 없이 한 번의 순전파로 예측할 수 있다. Hugging Face와 GitHub에서 공개되었으며, Google Cloud BigQuery에서도 이용할 수 있다.
선정 이유: 표 형식 데이터의 예측을 문맥 내 학습(in-context learning)으로 다루는 설계와, 합성 데이터만으로 사전 학습한 점이 정리되어 있어 기존 트리 계열 기법과의 차이를 파악하기 쉽다.
Google은 동결한 Gemini Nano v3 모델에 Multi-Token Prediction(MTP) 헤드를 사후에 붙이는 새로운 아키텍처를 발표하고, Pixel 9·10 시리즈에 적용을 시작했다고 밝혔다. MTP 헤드는 메인 모델의 KV 캐시를 직접 참조하므로 드래프트용 KV 캐시를 따로 둘 필요가 없으며, 표준 드래프트 모델과 비교해 Pixel 9에서 50% 이상의 속도 향상을 얻었다고 설명했다. 백엔드를 동결하기 때문에 기반 모델의 성능과 안전성은 떨어지지 않으며, 출력은 메인 모델과 비트 단위로 일치한다.
Google Research는 페이지 축출을 ski rental 문제로 보고, 경량 머신러닝으로 캐시 크기를 동적으로 조정하는 「linear elastic caching」을 발표했다. Spanner 프로덕션 환경에서 수개월간 운영한 결과, 고정 크기 캐시와 비교해 메모리 사용량은 15.5% 감소했고, 캐시 미스는 5.5% 증가에 그쳤으며, TCO는 약 5% 절감됐다. TTL 예측에는 몇 줄의 C++ 코드로 변환할 수 있는 얕은 결정 트리를 사용한다.
구글 리서치는 LLM에 추론 트레이스를 생성하게 하면, 추론 없이는 사실상 도달할 수 없는 정답을 끌어낼 수 있다는 것을 보여줬다고 밝혔다. 이는 COLM 2026에서 발표될 논문 「Thinking to Recall」에서 검증된 내용이다.
Google DeepMind는 computer use를 Gemini 3.5 Flash의 내장 도구로 제공하기 시작했다. 기존에는 Gemini 2.5 단독 모델에서만 쓸 수 있었으나 주력 Flash 모델에 통합되었다. Gemini API와 Gemini Enterprise Agent Platform에서 이용할 수 있으며, 프롬프트 인젝션 대응을 위해 적대적 학습과 두 가지 기업용 안전장치도 마련되었다.
선정 이유: 단독 모델이었던 computer use가 Gemini 3.5 Flash에 통합되었고, 지원 환경과 안전 대책이 제시되어 에이전트 구축을 판단하는 데 참고가 된다.
Google DeepMind는 영국 정부와 함께 Gemini를 활용한 주택 계획 신청 심사 지원 AI 프로토타입을 개발하고 있으며, 담당관의 판단 시간을 50% 줄이는 것을 목표로 하고 있다고 밝혔다. Barnet, Camden, Dorset의 지방자치단체에서 초기 시험이 진행됐으며, 영국 정부는 2027년부터 전국의 지방자치단체에서 이용할 수 있도록 할 계획이다. 담당관은 도구가 생성한 내용을 확인하고 최종 판단을 내릴 권한을 유지한다.
Google은 Earth AI를 활용해 잉글랜드의 생울타리, 돌담, 소규모 숲 등 미세한 수목 지형지물을 고해상도로 탐지하고, 이를 지도화한 벡터 데이터셋을 공개했다고 밝혔다. 이 모델은 3억 장이 넘는 위성 이미지로 사전 학습된 Remote Sensing Foundations(RSF)의 Vision Transformer(ViT) 백본을 기반으로 하며, 약 247km²의 주석 데이터로 파인튜닝되었다. 수관과 지표면의 경계를 이중 층으로 라벨링했으며, Polsby–Popper compactness score가 0.5 미만인 가늘고 긴 형태를 선형 수목 지형지물로 분류했다.
Google Research는 AI를 활용한 피부 증상 정보 도구가 이용자의 병명 특정에 도움이 되는지를 2,345명을 대상으로 한 조사로 검증했다. AI 지원 그룹에서 병명을 추정할 수 있었던 비율은 23%로, 기존 검색을 사용하는 대조군의 8%를 크게 웃돌았다. 반면 다음에 취해야 할 행동의 정답률은 표준 AI 그룹에서 통계적으로 유의미한 개선이 나타나지 않았다. AI 그룹은 대조군보다 긴급도가 낮은 행동을 제안하는 경향이 약간 높았다(30% 대 27%).
Google Research는 기계학습 언러닝을 감사하는 새로운 프레임워크 「Regularized f-Divergence Kernel Tests」를 발표했다. AISTATS 2026에서 발표된 기법으로, 언러닝 후의 모델이 재학습 모델과 원래 모델 중 어느 쪽에 분포적으로 더 가까운지를 판정한다. 이론적으로는 샘플 수와 관계없이 위양성을 억제할 수 있으며, 데이터 수가 늘어날수록 위음성의 위험이 0으로 수렴한다고 알려져 있다.
Google DeepMind가 텍스트 확산(diffusion) 방식을 채택한 26B MoE 오픈 모델 DiffusionGemma를 Apache 2.0 라이선스로 공개했다. 전용 GPU에서 최대 4배 빠른 추론을 구현하며, 단일 NVIDIA H100에서 초당 1000개 이상의 토큰, NVIDIA GeForce RTX 5090에서 초당 700개 이상의 토큰을 출력한다. 다만 출력 품질은 표준 Gemma 4보다 낮아, 높은 품질이 필요한 용도에는 Gemma 4를 권장하고 있다.
선정 이유: 자기회귀 모델과의 속도 차이가 발생하는 원리, 로컬 추론에 적합한 조건, 클라우드 배포에서는 장점이 줄어드는 지점이 정리되어 있어 용도를 가늠하기에 유용하다.
Google DeepMind는 Schmidt Sciences, Cooperative AI Foundation, ARIA, Google.org와 공동으로 멀티에이전트 AI 안전성 연구를 대상으로 최대 1,000만 달러 규모의 연구 지원금 공모를 발표했다. 공모 분야는 샌드박스와 테스트베드, 에이전트 네트워크 과학, 에이전트 기반 강화, 모니터링과 제어의 4가지다. 응모 마감은 2026년 8월 8일이며, 선정 결과는 2026년 가을에 발표될 예정이다.
Google이 70개 이상 언어에서 거의 실시간으로 음성을 음성으로 번역하는 음성 모델 Gemini 3.5 Live Translate를 공개했다. 화자의 억양, 말하는 속도, 음높이를 유지한 자연스러운 번역 음성을 생성한다. 개발자를 위해 Gemini Live API와 Google AI Studio에서 퍼블릭 프리뷰로 제공되며, Google 번역 앱(Android, iOS)에도 적용이 시작됐다.
선정 이유: 개발자용 API, Google Meet, Google 번역 앱으로의 적용 범위가 한꺼번에 정리되어 있어 이용 경로를 비교하기 쉽다.
Google DeepMind가 노트북용 멀티모달 모델 Gemma 4 12B를 발표했다. 이미지와 음성 입력을 인코더 없이 LLM 본체에 직접 전달하는 구조이며, 16GB VRAM 또는 통합 메모리에서 동작한다. Apache 2.0 라이선스로 공개되었으며, Hugging Face와 Kaggle에서 가중치를 내려받을 수 있다.
선정 이유: 이미지와 음성을 인코더 없이 LLM 본체에 직접 입력하는 구조와 16GB에서 동작하는 메모리 요건이 제시되어 있어, 로컬 운용을 판단하는 데 참고가 된다.
Google DeepMind는 유럽의 초기 단계 로보틱스 스타트업 15곳을 선정한 3개월 프로그램 'Google DeepMind Accelerator: Robotics'를 시작했다. 참여 기업은 AI 스택과 Gemini robotics models에 대한 접근권을 비롯해 기술 멘토십과 제품 측면의 가이던스를 제공받는다. 참여 기업에는 로봇 용접과 금속 3D 프린팅의 파라미터 선정 및 품질 관리를 자동화하는 RobTrack을 개발하는 3D-Components(노르웨이) 등도 포함됐다.
Google DeepMind는 시에라리온에서 실시한 사전 등록 시험에서 Guided Learning을 사용한 학생들의 수학 점수가 대조군보다 +0.258 표준편차 상승했다고 발표했다. 8주간의 시험 기간은 일반적인 학습 진도의 약 1.2~1.7년 분에 해당한다. 69%의 학생들이 이용 목표를 달성하거나 넘어섰다.
Google이 Gemini Enterprise Agent Platform용 Agentic RAG 기반 크로스 코퍼스 검색(Cross-Corpus Retrieval)을 제공한다고 발표했다. 여러 에이전트가 계획, 쿼리 재작성, 검색을 나눠 맡고, 정보가 부족하지 않은지 확인하면서 검색을 이어간다. 표준 RAG와 비교해 사실성 데이터셋에서 정확도가 최대 34% 향상된 것으로 알려졌다.
Google Research는 얼굴 인증으로 잠금을 해제한 직후 전면 카메라로 촬영한 얼굴 영상에서 일상적인 스마트폰 사용 중의 심박수(HR)와 안정시 심박수(RHR)를 추정하는 연구 시스템 PHRM을 발표했다. 논문은 Nature에 게재됐다. HR의 오차는 MAPE 기준 10% 미만이며, 일일 RHR은 웨어러블 기기와 비교해 MAE 5 bpm 미만이다. 대규모 데이터셋과 학습된 모델 「PHRM-mini」도 자격을 갖춘 연구자를 대상으로 공개된다.
선정 이유: 얼굴 인증 시의 짧은 영상으로 심박을 추정하는 방법을, 피부색의 다양성을 고려한 검증 설계 및 실제 환경에서의 결과와 함께 확인할 수 있다.
Google은 AI 기반 홍수 예측을 위한 수문 모델 프레임워크를 GitHub에 오픈소스로 공개했다. Google Flood Hub의 하천 예측과 같은 아키텍처와 유사한 학습 데이터를 사용하며, 각국의 기상·수문 기관과 예보 담당자가 모델을 학습시킬 수 있다. 새 모델은 기존 버전에 비해 관측 지점이 있는 유역에서는 예측 가능 기간이 6일, 관측이 없는 유역에서는 1일 늘어난 것으로 알려졌다.