Gemini个人化智能功能现已向所有用户开放
Google 最近宣布,个人化智能功能将面向所有用户开放。该功能此前仅面向月付20美元的订阅用户提供,现在可以让Gemini获取大量个人信息,从而提供个性化帮助而非通用答案。这些数据来自Gmail、搜索历史记录、Google相册以及其他Google服务。
个人化智能功能完全基于用户选择加入,你可以自主决定分享哪些信息。要启用该功能,请访问 gemini.google.com > 设置 > 个人化智能,然后选择你希望连接的应用程序。
Google为这一新工具提供了几种使用建议。你可以询问与刚购买的衬衫搭配的夹克、咨询新购买扫地机器人的技术支持(即使你不知道具体型号)、在航班中转时获得午餐建议(系统会根据你喜欢的食物类型和所在的机场登机口提供建议),或者询问即将出行的活动推荐(个人化智能知道你要去哪里以及你的兴趣爱好)。
功能测试体验
为了测试这一功能,我使用了Google文章中的示例:"我需要为我的车购买新轮胎。"AI立即针对我的车和我妻子的车提供了建议(包括两辆车的品牌、型号和颜色)。它告诉我所需的轮胎尺寸,提供了不同价位的多种建议,包括每种轮胎的评价和反馈,并推荐了可以购买轮胎的本地商家。
当我在Google的AI模式下进行相同搜索但不启用个性化功能时,我获得的是如何查找轮胎尺寸的信息、品牌推荐以及零售商选项。不过,零售商并未根据我的地区进行定制,因为其中一些在我附近根本没有门店。
个性化模式显然更加有用。
很明显AI模式从某处获取了我的信息,但没有提供引用链接。所以我询问这些具体细节来自何处。AI回应说我最近收到了关于这些特定车辆的电子邮件服务提醒。它补充说,还有一些关于另一辆车的较早服务提醒,但也有来自保险公司的邮件显示这辆车在2024年的事故中全损,所以没有包括在内。它还提到我的照片库中包含这些车辆的多张照片,这有助于确认它们是我们目前的车辆。
我接着要求寻找我最喜欢球队的新T恤。AI模式显示了我最喜欢的棒球队、当地NFL球队以及我母校球队的选项,甚至指出我是后两个球队比赛的"常客"。它甚至根据在我邮件中找到的其他服装订单收据正确建议了尺寸。
隐私考量与实用性
我早已放弃了在网络上的任何隐私期望,但个人化智能如此迅速地调取我生活细节还是让我感到有些不安。不过我必须承认,它确实非常有用。如果你对隐私有任何担忧,这个模式可能不适合你,但如果你不介意Gemini访问你已经存在的信息,你会很快发现这个新功能的众多用途。
Q&A
Q1:Gemini个人化智能功能是什么?
A:个人化智能是Google Gemini的新功能,它可以访问用户的Gmail、搜索历史、Google相册等服务中的个人信息,从而提供个性化帮助和建议,而不是通用答案。该功能此前仅面向月付20美元的订阅用户,现已向所有用户开放。
Q2:如何启用Gemini个人化智能功能?
A:个人化智能功能完全基于用户选择加入。要启用该功能,需要访问 gemini.google.com,进入设置中的个人化智能选项,然后选择你希望连接的应用程序。用户可以自主决定分享哪些信息。
Q3:使用个人化智能功能会有隐私风险吗?
A:该功能确实会访问大量个人信息,包括邮件、照片、搜索历史等,可能让人感到不安。如果你对隐私有担忧,这个模式可能不适合你。但功能完全基于用户选择,可以控制分享的信息范围。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。