Google 推出基于冻结权重的端侧多 Token 预测架构，Pixel 上 Gemini Nano 推理加速超 50%Chinese
Google Research 提出一种在冻结权重基础上集成多 Token 预测（MTP）头的端侧推理加速架构，已部署于 Pixel 9 与 10 系列设备。
Why it matters: 阐述了在不重训基座模型的前提下通过跨注意力复用缓存实现端侧投机解码，为移动设备内存与能耗受限场景提供了可落地的加速方案。
On-device AI
All topics跑在手机、电脑与边缘设备上的 AI：小模型、本地推理与端侧芯片的进展。
Latest selected
201–206 of 206Google ResearchSelectedAI score6060
通义实验室 公众号SelectedAI score6666 通义实验室详解 MNN 适配 Arm SME2：Qwen3-VL-4B 端侧 Prefill 提速 81%Chinese
通义实验室发布基于 MNN 推理引擎适配 Arm SME2 指令集的端侧大模型部署教程，提供了 Qwen3-VL-4B-Instruct 在 Android 旗舰手机上的完整落地流程。
Why it matters: 文章给出了从 MNN 编译到 APK 构建的完整端侧落地流程，读者可据此复现 SME2 指令集对视觉语言模型的加速效果。
Google DeepMindSelectedAI score8383 Google DeepMind 推出统一无编码器多模态模型 Gemma 4 12BChinese
Google DeepMind 推出统一且无独立编码器的多模态模型 Gemma 4 12B，支持原生音频与视觉输入，采用 Apache 2.0 协议开源。该模型移除了传统的图像和音频编码器，直接将多模态信号投影至 LLM 主干，性能接近 26B MoE 模型而内存占用减少超过一半，仅需 16GB 显存或统一内存即可在笔记本电脑本地运行。
Why it matters: 模型移除了传统独立的模态编码器并直接接入语言主干，展示了在消费级硬件上兼顾原生音画输入与推理效率的轻量化方案。
Google ResearchSelectedAI score7070 Google 提出 PHRM 系统：利用手机前置摄像头实现日常被动心率监测Chinese
Google Research 在 Nature 发表论文推出 PHRM 研究系统，利用智能手机前置摄像头在人脸解锁后自动采集面部视频，通过端侧深度学习算法被动估算心率与每日静息心率。
Why it matters: 该研究展示了利用手机前置摄像头实现全肤色被动心率监测的技术方案，为无穿戴设备的日常健康追踪提供了实用参考。
Google ResearchSelectedAI score6767 Google Research 汇总 I/O 2026 研究成果：推出 Gemini for Science 与 Antigravity 2.0Chinese
Google Research 在 I/O 2026 上汇总公布多项研究突破与工具更新，推出科研智能体套件 Gemini for Science 以及升级版智能体开发平台 Google Antigravity 2.0。
Why it matters: 官方系统梳理了科研智能体与端侧硬件的最新落地进展，读者可据此了解前沿研究向工程化产品转化的具体路径。
Google DeepMindSelectedAI score9090 Google DeepMind 发布开源模型 Gemma 4：覆盖端侧与桌面规模并采用 Apache 2.0 协议Chinese
Google DeepMind 正式发布开源模型系列 Gemma 4，基于 Gemini 3 架构与技术打造，采用 Apache 2.0 协议开源。Gemma 4 提供 Effective 2B（E2B）、Effective 4B（E4B）、仅激活 3.8B 参数的 26B MoE 以及 31B Dense 四种尺寸，全系原生支持图像与视频处理，端侧小模型额外支持原生音频输入。
Why it matters: 系列模型采用 Apache 2.0 协议并覆盖端侧到桌面规模，为开发者提供了兼顾多模态与推理的轻量部署方案。