Google 团队在 TPU 上用 MaxText 复现 Ai2 的 Olmo 3 7B 预训练

Google 推出 TorchTitan TPU 分叉（github.com/google-pytorch/torchtitan），配合 TorchTPU 原生后端在 Cloud TPU 上训练 PyTorch 模型，提供 SimpleFSDP、Graph Trainer、Pallas 内核和优化 Playbook。

Google 工程师用 Gemini 4 Argon 在 google/adk-python 上无人值守跑 11 小时，提出 6 项优化、审查后合并 2 项，使长会话内存会话准备时间降低约 40%，包导入加快 21%。

Google for Startups AI Agents Challenge 评审团队从各赛道头部参赛作品中提炼出 4 种共同工程模式。

Google 分享了三种集成 A2UI 与 MCP Apps 的架构模式，旨在结合两者优势。A2UI 采用声明式框架，通过 JSON payload 定义 UI，由宿主原生渲染，确保一致性与安全性，但受限于预定义组件库。MCP Apps 在 iframe 中使用标准 Web 技术提供自定义界面，但存在设计碎片化、性能与安全挑战。三种模式包括：通过 MCP 服务器提供 A2UI，利用 MCP Resources 或 Tool 调用传递 JSON，实现“一次编写，原生渲染”的跨…

Arm第二代可扩展矩阵扩展（SME2）与Google AI Edge软件栈集成，将CPU转变为强大的矩阵计算加速器，从而实现高性能的设备端生成式AI。本文以Stability AI的“stable-audio-open-small”模型为例，阐述了利用LiteRT、XNNPACK和KleidiAI构建的“转换、优化、部署”自动化硬件加速流程。该方案在基于Arm架构的移动设备和笔记本电脑上，成功实现了音频生成速度提升2倍以上、内存使用减少4倍的显著效果，同时确保了高音频质量。…

Google Developers Blog 发布实测，主张以每成功任务成本而非每 token 价格衡量编码 Agent 的生产经济性，并用 TypeSafe 的 Jev 分类器在 Gemini 模型间做路由。

Google Developers Blog 实操演示 Agents CLI 的 eval 命名空间如何支撑 Agent 质量的爬山式迭代，基于 Agents CLI v1.8.0 的 LangChain 模板，以 gemini-3.8-flash 作 LLM-as-judge 按 1-5 分评分。

Google 开发者团队宣布 Agents CLI 从 v1.5.0 起引入 Extension System，开发者可在不 fork 工具的情况下覆盖或新增命令。

Arm 基于 Google AI Edge Model Explorer 开发了 TOSA、VGF、PTE 三种开源适配器，可在模型图上直接检查边缘编译流程。借助分屏视图，Arm 对比了 Ultralytics YOLO 在 CPU 与 Arm Ethos-U85 NPU 上的图结构差异，确认算子委派与回退情况。

Google 发布基于 Gemma 4 的开源嵌入模型 EmbeddingGemma 2，采用 Apache 2.0 许可，将文本、代码、图像、视频和音频映射到统一的 768 维向量空间，参数量从 270M（文本/代码）到 740M（全模态）按需加载。