#Gemini
Google 在 Gemini 中测试智能体购物原生结账
Google 正为 Gemini 测试内置购物车功能，计划打造集商品浏览、购买、自动化任务于一体的 AI 商业入口。该功能基于年初发布的“通用商务协议”，可支持用户在 Target 、 Gap 等平台直接结账。结合 Chrome 端 Gemini Skills 和智能体浏览功能， Gemini 有望成为一站式 AI 应用，与 ChatGPT 、 Copilot 等展开正面竞争。预计将在 5 月 Google I/O 大会上正式亮相。
Google 为 Mac 推出原生 Gemini 应用
Google 本周发布 macOS 原生 Gemini 应用，通过快捷键唤起、屏幕共享分析及多模态生成等功能，追赶 OpenAI 与 Anthropic 的桌面端布局。该应用将 AI 从“需要主动打开的工具”转变为“随时待命的协作者”，有望成为桌面端 AI 应用的新标准形态，现已向全球用户开放下载。
Gemini 3.1 Flash TTS ：下一代富有表现力的 AI 语音技术
Google 发布 Gemini 3.1 Flash TTS 语音合成技术，实现可控制性、表现力和音质三维升级。该模型在 Artificial Analysis 评测中位列“最具吸引力象限”，支持 70 多种语言和多说话人对话。其核心创新的音频标签（ Audio Tags ）功能可将自然语言指令嵌入文本，实现精细化语音风格控制，降低了专业音频制作门槛，标志着语音合成从“能说”向“会说”的关键跃迁。所有生成音频均嵌入 SynthID 水印，可靠识别 AI 生成内容，对有声内容创作、虚拟助手、游戏配音等场景具有实用价值。
Google DeepMind 发布 Gemini Robotics-ER 1.6
Google DeepMind 发布 Gemini Robotics-ER 1.6 推理模型，强化机器人的空间感知和物理推理能力。该版本与 Boston Dynamics 合作开发，支持解读模拟仪器读数，可通过 API 集成使用，在精准指向和物理任务检测方面优于前代。这标志着大语言模型正从“理解指令”向“落地执行”迈进，物理智能体有望从实验室走向更广泛的工业应用场景。
Gemini Robotics-ER 1.6 ：通过增强具身推理赋能现实世界机器人任务
Google DeepMind 正式推出 Gemini Robotics 系列模型，标志着这家科技巨头在具身智能领域迈出关键一步。该模型延续 Gemini 家族在多模态理解和推理方面的优势，旨在解决具身智能的两大瓶颈：复杂环境泛化能力和长周期任务连贯性。 Google 意在抢占行业标准制定者位置，其优势在于成熟的多模态研发体系、充足算力及 Android 生态的边缘部署经验。真正的悬念在于开发者社区能否基于此模型推出超越实验室 demo 的实用应用。
一文了解 Google Chrome 的 AI 驱动‘Skills’功能
Google Chrome 推出“Skills”功能，提供 50 余个 AI 指令模板，支持视频总结、食谱优化等场景，并通过快捷键实现可重复执行。该功能标志着浏览器从问答工具向“操作型代理”转型，降低用户操作成本，提升工作流效率。用户亦可基于 Gemini 创建自定义 Skills ，形成个性化 AI 工作流。
Google Chrome AI 技能上线，帮你保存常用工作流
Google 在 Chrome 中推出“Skills”功能，允许用户将常用 AI 提示词保存为可复用模板，通过斜杠或加号按钮在任意网页一键调用。该功能基于 Gemini 扩展，覆盖食谱查询、购物比价、长文档摘要等高频场景，并同步上线预设模板库。目前面向桌面端 Chrome 用户开放，需登录 Google 账号且语言设置为英语（美国）。
Gemini 机器人具身智能 1.6
Google DeepMind 发布 Gemini Robotics-ER 1.6 推理模型，专为机器人应用设计。该模型在空间逻辑、多视角理解和任务规划能力上实现突破，新增复杂工业仪表读数功能，得益于与 Boston Dynamics 的深度合作。安全性方面表现突出，成为 Google 最安全的机器人模型。此次发布表明大语言模型正加速向物理世界渗透， Google 以空间智能为切入点务实布局，而 Boston Dynamics 在真实环境部署方面的经验恰好弥补了互联网公司的短板。
6 个简单方法：用 Gemini 高效备考期末
Google 推出 Gemini AI 作为“个人学习搭档”，提供六大备考功能：将笔记整合为学习中枢、将教材压缩为闪卡、将文字转化为 AI 对话音频、生成可视化模型、自定义练习卷检验盲区、追问式引导理解。 Gemini 正推动 AI 从“答案机器”向“学习过程参与者”转型，但学习效果仍取决于使用者能否将工具转化为深度思考的触发器。