Ang Android, iOS, HarmonyOS, at Windows ay pumasok sa Era ng Agent gamit ang OS-Level AI Integration

Artikulo | Yunyong AI, may-akda | Huang Yunhao

No translation provided.

2026 Android Show | I/O Edition poster
Pinagmulan: Android Heaadlines

Kumpara sa kombinasyon ng Gemini Nano+AICore noong nakaraang taon, pinapalalim ng Google ngayon ang kakayahan ng Agent sa OS layer: automation ng mga gawain sa iba’t ibang app (pag-order ng pagkain, pagbili, pag-order), awtomatikong pagpuno ng mga form, pagbuo ng buod ng web, at custom widgets, na isinusulat nang sunod-sunod sa listahan ng mga system-level na kakayahan. Isinama rin ng Google ang eksplisitong kontrol ng user, komprehensibong proteksyon ng data, at operasyonal na transparensi bilang tatlong prinsipyo ng produkto.

Sa isang linggong pagkakataon noong Mayo 19 sa keynote na may tema na I/O, ang CEO ng Google na si Sundar Pichai ay nagsimula sa pangunahing linya na ito:

Maligayang pagdating sa erang agentic ng Gemini

Hindi si Google ang unang nagsimula sa paglalakbay patungo sa pagiging OS Agent ng edge.

Ipinakilala ng Microsoft ang Copilot+PC sa Build 2024 noong Mayo 2024 (isang bagong kategorya ng Windows 11 na may NPU na may 40+ TOPS), na nagtatanim ng Agent capability sa OS system batay sa tatlong kakayahan: ang maliit na modelo sa endpoint na Phi Silica, ang screen Agent capability na Click to Do, at ang system-wide activity memory na Recall.

Noong WWDC24 noong Hunyo 2024, ipinahayag ng Apple ang “Apple Intelligence,” at itinuring nito ito bilang “personal intelligence system” (personal na sistema ng inteligensya), at sumunod na ipinakilala ang ilang mga tampok na may AI na suporta, ngunit dahil sa pagkakaroon ng mga problema sa sariling malaking modelo nito at sa “kabobohan” ng Siri, ang pangunahing kakayahan ng Agent ng Apple Intelligence ay hindi pa nabuo.

Ang Huawei ay naglunsad ng HarmonyOS 6 at ang Huawei Mobile Agent Framework (HMAF) sa HDC 2025 noong Hunyo 2025, at sumunod ang paglitaw ng 80+ na mga intelligent agent sa Huawei Agent Plaza.

Ang malaking trend ng pagiging OS agent sa gilid ay nangyayari nang sabay-sabay sa mga pangunahing operating system tulad ng Android, iOS, HarmonyOS, at Windows.

Ang ipinakikita sa pagpapakilala ay ang mga tampok lamang; ang tunay na hinaharap ng mga tagagawa ng OS ay ang tatlong antas ng kakayahan na sumusuporta sa tiyak na pagpapatakbo at paglutas ng mga problema ng OS Agent: system-level AI Runtime, kontroladong chip, at matrix ng end-cloud models.

System-level AI Runtime: Ang sentral na pagpaplano para sa edge-side intelligence

Ang Runtime ay ang inference engine at system services na nagpapatakbo ng end-side model sa operating system. Sa ilalim nito, direktang nagkakonekta ito sa NPU at system resource scheduling; sa itaas naman, ito ay nagpapakita ng inference capability sa lahat ng App sa pamamagitan ng stable API. Ito ay nagpapalit ng end-side model sa “shared intelligence sa OS layer”: pagbabahagi ng model weights sa pagitan ng mga App, pag-uunawa ng compute at memory, pagtutulungan ng tool calls na kailangan ng Agent, paggabay sa generation, at pagpapalit ng context at permissions. Ito ang nagdedesisyon kung ang OS Agent ay isang chat button sa loob ng App, o isang persistent service sa operating system na kaya mag-execute ng system-level actions.

Ang pinakakompletong sample sa Android ecosystem ay ang Google AICore. Noong Disyembre 2023, inilunsad ang AICore bilang system service sa Android 14; noong Agosto 2025, binuksan ang Gemini Nano sa mga developer sa pamamagitan ng ML Kit GenAI APIs. Mula sa paa ng system service hanggang sa matatag na API para sa mga App, tinagal ng AICore ng dalawang taon ang pagpapabuti.

Ang iba pang mga tagagawa ng OS ay sumusunod sa parehong landas, ngunit iba ang ritmo. Ang Apple ay inilabas ang Foundation Models framework sa WWDC25 para sa mga developer, na may kasamang decorator na @Generable, pagtawag sa mga tool, guided generation, at stateful session, na naka-connect sa isang lokal na base model na may halos 3B na parameter, kasama ang suporta mula sa private cloud computing. Ang Microsoft ay isinama ang端侧AI框架 Foundry on Windows at Phi Silica sa Windows 11, gamit ang Windows ML bilang ilalim na inference backend. Ang Huawei ay inilabas ang Agent Framework Kit (HarmonyOS Agent Framework, HMAF) sa HDC 2025, at inilabas ang kanilang sistema ng intensyon at protocol para sa Agent collaboration.

Ang Android AICore ay isang system service na nagdedesisyon sa Gemini Nano para sa inference sa hardware accelerator
Pinagmulan: Android Developers

Controlled chip: Ang tumbong ng soft at hard na pagkakaisa

Ipinakilala ng Google ang mga tiyak na pamantayan sa hardware para sa Gemini Intelligence sa Android Show｜I/O Edition: ang buong set ng mga tampok ay magiging unang available lamang sa ilang pinakabagong flagship tulad ng Pixel 10 Series at Galaxy S26 Series, at hindi kasama ang mga modelo mula sa nakaraang taon. Ito ay nagtuturo sa isang simpleng katotohanan: patuloy pa ring umuunlad ang AI model, at patuloy na itinatalaga ng software ang mga bagong hiling sa hardware. Ang kontroladong chip ay ang batayan na sumasagot sa mga hiling na ito, at ang antas ng kontrol ay nagtukoy sa espasyo kung saan ang mga tagagawa ng OS ay makakapag-ayos ng pagkakatugma sa pagitan ng software at hardware para sa end-device OS Agent.

Ang Apple ay isang modelo ng integrasyon ng hardware at software. Ang iOS at macOS ay umunlad kasama ang A-series at M-series chips mula sa simula, habang ang Core ML ay nag-iisip ng pagpaplano ng CPU, GPU, at ANE sa antas ng framework. Ipinagpatuloy ng ruta na ito ang pag-unlad sa panahon ng LLM. Binigay ng Apple Machine Learning Research ang isang set ng mga resulta: sa pamamagitan ng pag-optimize sa pamamagitan ng Core ML at pag-deploy sa M1 Max, ang lokal na decoding speed ay maaaring umabot sa halos 33 tokens/s. Ang teknikal na ulat na Apple Intelligence Foundation Language Models ay naglathala rin na ang Apple ay nag-gawa ng mga optimisasyon sa antas ng arkitektura tulad ng pagbabahagi ng KV cache at 2-bit quantization-aware training upang matagumpay na ipakilala sa mga developer ang isang pangunahing modelo na may laki na halos 3B sa pamamagitan ng Framework na Foundation Models. Ang antas na ito ng pagkakaintegrasyon ay maaaring gawin lamang kung may kontrol ka sa iyong mga chip—ito ang halaga ng kontroladong chip para sa mga tagagawa ng OS: ito ang nagtatakda ng antas ng koordinasyon sa pagitan ng software at hardware, at nagpapataas din sa limitasyon ng karanasan ng OS Agent sa endpoint.

Sa pagpasok sa panahon ng AI, ginagawa rin ng Google ang parehong bagay—mula sa Pixel 6, sumunod sa sariling pag-unlad ng Tensor SoC, at ang pinakabagong Tensor G5 ay nagpapataas ng performance ng TPU ng hanggang 60% at ng CPU ng average na 34%, na naging unang SoC na may buong suporta sa huling henerasyon ng Gemini Nano sa Pixel 10. Bagaman may mga kahinaan ang Tensor G5: ayon sa pagsusuri ng Android Central, ang memorya (RAM capacity) ay patuloy na bottleneck sa AI performance, at bumaba sa Geekbench AI score kumpara sa Snapdragon 8 Elite; sa pagsusuri ni Macworld gamit ang Geekbench 6, mas mababa ang single-core at multi-core score ng G5 kumpara sa A18 Pro. Patuloy pa rin ang Google sa paghahabol, ngunit ang estratehiya ng sariling Tensor at ang koordinasyon ng端侧 Gemini ay nagsisimula nang maayos.

Ang Huawei Kirin na kasama ang Da Vinci NPU at ang Pangu on-device model, ay isang alternatibong kontroladong chip path na kasama ang Apple at Google. Ang Xiaomi ay naglagay ng Xuanjie O1, isang bagong entrant sa direksyon ng kontroladong chip.

Matrix ng Endpoint at Cloud Models: Pinagmulan ng katalinuhan ng Agent

Ang matrix ng model sa endpoint at cloud ay ang pinagmumulan ng “inteligensya” ng endpoint device: ang cloud model ang nagtataguyod ng tuktok na kakayahan para sa mga kumplikadong gawain, habang ang endpoint model ang nagtitiyak sa mababang antas ng pang-araw-araw na pagpapatakbo—ang latency, battery life, privacy, at stability ay lahat ay nakadepende sa endpoint. Pareho ay kailangan, at ang pagkakaiba ay nasa antas ng pagkakabukod sa OS. Ang endpoint model ay dapat i-embed sa bawat endpoint device OS, at magkaroon ng malalim na pagkakabukod sa lokal na NPU, at magtago ng dobleng papel sa loob ng OS: pababa, ito ay lokal na inference backend ng Runtime; pataas, ito ay nagbibigay ng system-level API sa mga app sa pamamagitan ng framework at SDK ng Runtime.

Ang pagbuo ng sarili sa cloud at sa edge ay may kahalagahan pareho, ngunit mas malinaw ang benepisyo sa edge. Ang pagkuha ng mga modelong mula sa labas para sa cloud ay maaaring suportahan ang hangganan ng kakayahan, ngunit ang pangunahing kahalagahan ng pagbuo ng sarili ay nasa kontrol ng routing, mga tuntunin sa negosyo, at bilis ng pag-update ng model. Iba naman ang edge. Ang mga modelong edge ay nakapaligid sa OS at NPU ng bawat device, at ang benepisyo ng pagbuo ng sarili ay direktang nakikita sa performance ng produkto: pagbabahagi ng KV cache, 2-bit quantization-aware training na disenyo para sa isang partikular na henerasyon ng chip, Per-Layer Embedding (nakuha mula sa Gemma 3n, na naglo-load ng embedding parameters mula sa mabilis na memory sa bawat layer) atbp.—lahat ng ito ay mas madaling maisasagawa kung ang model at hardware ay isang sama-samang disenyo; samantala, ang pagkakasundo sa ritmo ay hindi na dapat mabawasan ng mga third-party hardware manufacturer.

Ang TPU computing power ng Tensor G5 ay nagtaas ng hanggang 60% kumpara sa nakaraang henerasyon na G4, ngunit ang pagtaas ng Gemini Nano sa G5 ay higit pa rito—ayon sa opisyal na impormasyon ng Google at ni Jon Peddie Research, ang local processing speed ay naging 2.6 beses ang bilis ng nakaraang henerasyon, ang pagkakagastos ng enerhiya ay bumaba sa kalahati, at ang token window ay na-expand mula sa 12,000 patungo sa 32,000 (katumbas ng pagkakasunod-sunod ng halos isang daan na screenshot). Ang mga napakalaking pagtaas sa performance na ito ay galing sa Matryoshka Transformer elastic inference architecture na ginamit ng Gemini Nano v3, kasama ang collaborative optimization sa Tensor G5 TPU.

Gemini Nano sa Tensor G5 ay pagtaas ng performance kumpara sa nakaraang henerasyon
Pinagmulan: Google/Jon Peddie Research, larawan ng Cloud Surge AI

Sa antas ng end-side model, ang bawat pangunahing manufacturer ng OS ay may sariling card: Gemini Nano ni Google, ang end-side base model na may halos 3B parameters ni Apple, Phi Silica ni Microsoft, at ang Pangu end-side model ni Huawei. Ang pagpapalawak ng sarili, ay ang default na opsyon sa antas na ito.

Ang tatlong antas ng kakayahan ay nakakapag-ugnay mula sa ilalim patungo sa itaas: kontroladong chip → modelo sa gilid ng device/at the cloud → Runtime → Agent. Ang kontroladong chip ang tumutukoy sa efficiency at pagkawala ng enerhiya na maaabot ng modelo sa gilid ng device, ang modelo sa gilid ng device ang tumutukoy sa lokal na智能化 na maaaring iskedyul ng Runtime, at ang Runtime ang tumutukoy sa kumpiyansa ng Agent bilang isang sistemang serbisyo na nagpapatakbo sa iba’t ibang app. Mas malalim ang kooperasyon ng tatlo, mas malaki ang pagkakaiba ng karanasan ng produkto ng OS manufacturer sa mga agent sa gilid ng device, at mas malalim ang kanilang proteksyon.

Mas malalim ang pagkakasundo ng tatlong layer sa isang parehong software at hardware, mas malaki ang pagkakaiba ng produkto ng OS Agent na hindi makakamit ng isang layer lamang.

• Latency at response at power consumption. Ang 2.6x na bilis ng pagproseso at pagkabawas ng enerhiya ng Gemini Nano sa Tensor G5 ay batay sa pagkakasundo ng arkitektura ng modelo, disenyo ng chip, at pagkakataon ng Runtime sa parehong henerasyon ng software at hardware—tanging sa ganitong antas ng pagpapabuti ang ganitong epekto ang maaaring makita.
• Privacy at its core. Mga karaniwang gawain na may kinalaman sa privacy data ay natatapos sa device mismo ng end-side model, habang ang mga kumplikadong kahilingan ay ipinapasa sa cloud—ito ang makatwirang default na pagkakataon ng OS Agent sa pagtrato sa data ng user sa kasalukuyan. Ang tatlong nakakabit na elemento ang nagpapasya kung maaari bang maisagawa nang totoo ang “end-side first, cloud as backup”: ang malalim na pagpapadali ng NPU sa end-side model ay ang pangunahing landas kung paano makakatugon ang mga end-side model na nasa yugto ng pag-unlad sa karaniwang, madalas na inference; ang pag-quantize at pag-compress ng model para sa NPU at pagbabahagi ng KV cache; at ang Runtime ay nagr-route sa pagitan ng end-side at cloud batay sa kumplikadong antas ng gawain. Kung anumang isa sa tatlong ito ay hindi sapat, ang “end-side first” ay maaaring maging isang marketing slogan lamang.
• System-level context. Ang pagpapalit ng OS vendor sa user data na nakakalat sa iba’t ibang app at OS layer (semantic indexing, screen awareness, long-term memory) sa isang system-level personal context para sa Agent, ay ang pangunahing kondisyon para sa tunay na “pag-unawa sa user” ng Agent, at ang pangunahing katangian na nagkakaiba sa OS Agent mula sa mga app-level Agent. Ang pagpapatupad ay nakasalalay sa tatlong nakakabit na layer: ang Runtime ay may-ari ng cross-app indexing at mga pahintulot, ang edge-side model ay patuloy na nasa lugar para sa pag-unawa at pag-iisip, at ang NPU ay nagbibigay ng lokal na mataas na kakayahan sa pagcompute. Ang Apple’s Core Spotlight ay bumubuo ng semantic indexing sa endpoint, habang ang mga app ay gumagamit ng App Intents upang i-connect ang mga aksyon at data sa sistema, at ang Agent ay magkakaroon ng access sa konteksto sa pamamagitan ng Personal Context (ayon sa Apple, ang kakayahang ito ay magiging available sa susunod na software update); ang Android side na AppFunctions ay sumusunod sa parehong landas.
• Kasiguraduhan ng pagiging maaasahan ng system service. Dapat gamitin ang OS Agent bilang system-level service, at dapat itong magamit sa mga real-world na sitwasyon tulad ng walang internet, mababang battery, at thermal throttling. Ang on-device model ay palaging naka-install sa device upang magawa ng Agent ang pagtrabaho nang walang koneksyon sa network; ang mataas na optime na NPU ang nagsasagawa ng mababang power inference; ang Runtime ay nagbabalik sa pag-schedule batay sa availability kapag may kakulangan sa device resources (magsisilbi sa mas magaan na model, o ireroute ang request sa cloud). Kung kulang ang anumang isa sa tatlong layer, ang OS Agent ay hindi makakapagbigay ng anyo ng system service, at babalik lamang sa App-level chat button.

Ang Apple Intelligence ay nagtatampok ng isang buong collaborative paradigm: ang Apple Silicon, mga lokal na base model na may halos 3B, at ang Foundation Models framework na nagkakabit mula sa ilalim pataas, kung saan ang lokal na pagproseso ay ginagamit para sa karaniwang mga sitwasyon, habang ang mga kumplikadong hiling ay ipinapadala sa pribadong cloud computing. Ang Google ay may ibang anyo. Ang Tensor G5, bilang unang SoC na kumpletong tumatakbo sa pinakabagong henerasyon ng Gemini Nano, ay nasa Pixel 10, na pinag-uugnay ng AICore upang magbigay-daan sa mga system-level Agent function tulad ng Magic Cue at Pixel Screenshots na magsimula nang walang kailangang mag-依赖 sa cloud. Ang Huawei ay ang isang modelo sa bansa sa pagbuo ng tatlong antas ng collaboration: ang Kirin, ang Da Vinci NPU, ang Pangu local, at ang HMAF — lahat ay sarili, at nagkakabit mula sa ilalim pataas upang bumuo ng isang buong tatlong-antas na base.

Three-layer chassis engagement mechanism ng端侧OS Agent
Pinagmulan: Yunyong AI

Ang pangunahang puso ng pagtatayo ng moog ay ang tigas na koordinasyon ng tatlong antas. Sa ibabaw ng base, maraming mga variable ang nakakaapekto sa kakayahan ng produkto sa panahon ng OS Agent, kabilang ang kakayahan ng Agent na makipag-ugnayan sa App, pagprotekta sa privacy, atbp.

Ang interaksyon ng OS Agent at ang App ay nasa harap ng pakikidigma sa pagitan ng mga tagapagbigay ng OS at mga tagapagbigay ng App. Sa kasalukuyan, may dalawang paralel na landas. Ang isa ay ang pagkilala sa screen at automation, kabilang ang screen sharing ng Gemini Live, Apple Visual Intelligence, Circle to Search, atbp. Ang OS Agent ay gumagamit ng pagbasa sa screen at pag-click sa mga buton upang maging bahagi ng App; maaaring magtagumpay sa isang tanging gawain, ngunit bawat pagtawag ay kawalan ng structured na impormasyon, at mahirap magtatag ng isang stable na workflow para sa maraming hakbang. Ang pangalawang landas ay ang malalim na integrasyon ng API, kabilang ang Google AppFunctions, Apple App Intents, Huawei Intents Kit, atbp. Ang App ay nagpapakita ng mga pangunahing aksyon bilang structured na interface sa sistema; ang pagtawag ng Agent ay stable, at maaari ring magtatag ng maraming hakbang na workflow. Ang kritikal na tanong kung makakapagpalawak ba ang landas ng API ay hindi nasa mga tagapagbigay ng OS, kundi nasa mga tagapagbigay ng App. Ang pagbibigay ng mga pangunahing tampok para sa pagtawag ng Agent ay nangangahulugan na maaaring hindi na direktang buksan ng mga user ang App—ang brand exposure, mga ad space, behavioral data, at mga entry point para sa pagbabayad ay may panganib na ma-capture ng OS. Ito ay magiging sentral na pakikidigma sa pagkakaloob ng kontrol sa pagdistribusyon ng traffic sa gawing tagapaggamit.

Ang pagprotekta sa privacy ay ang pangunahing halaga at pundasyon ng endpoint system. Ang mga OS manufacturer ay may pinakamalalim na system-level na pagsasakop at pinakamalalaking user data sa endpoint; ang privacy ay hindi lamang kanilang tungkulin kundi kondisyon din para sa matagumpay na pagpapatupad ng dalawang unang bagay. Ginamit ng Apple ang parehong hardware-level na seguridad design sa endpoint na Secure Enclave na hiwalay na security chip at sa private cloud computing (PCC) nodes upang buuin ang sistema ng pagprotekta sa privacy batay sa endpoint. Ang estratehiyang ito ay nagbigay-daan sa “Privacy. That’s Apple.” na maging pangunahing brand label ng Apple sa global premium market, at sa gayon ay nakakuha ng tiwala ng mga user.

Ang label ng Apple na “Privacy. That’s Apple.”
Pinagmulan: Opisyal na website ng Apple

Ang pangunahing puso ng tatlóng antas ng koordinasyon ay ang mga matagalang variable sa ibabaw ng base na nakakaapekto kung gaano kalalim ang pagpapalakas nito.

Sa ilalim ng trend ng pagiging OS Agent sa device side, ang mas matibay na mga base na sistema-level AI Runtime, kontroladong chip, at matrix ng device-to-cloud model, ang mas mataas ang lower bound ng produkto ng OS vendor at mas malawak ang kanilang espasyo para sa pagkakaiba. Ang mga OS vendor na makakasagot sa trend na ito ang may pagkakataon na i-realign ang pagkakabahagi ng trapiko sa device side at makakuha ng mas malakas na posisyon sa kompetisyon.

Hindi ito limitado sa mga mobile phone at PC. Ang mga pundasyonal na kakayahan ng OS Agent ay umiikot sa mas maraming terminal sa pamamagitan ng mga umiiral na multi-device ecosystems, lalo na sa IoT. Ang mga kontroladong chip ay bumaba sa mga aplikasyon tulad ng automotive SoC, kung saan ang Huawei ay nagsagawa ng pagpaplano para sa car-grade Kirin chip, samantalang ang Xiaomi HyperOS ay pumasok sa kanilang mga modelo ng kotse; ang mga end-side models ay nagsasagawa ng lightweight migration patungo sa mga bagong uri ng hardware tulad ng glasses, at ang Android XR smart glasses na pinagsama ng Google at Samsung, Gentle Monster, at Warby Parker ay magkakaroon ng paglunsad noong autumn 2026; ang pagkakasundo ng Runtime at Agent ay napapalawig sa mga grupo ng device sa pamamagitan ng mga umiiral na “super device/distributed” frameworks, tulad ng 1+8+N at HarmonyOS distributed soft bus ng Huawei, ang “full ecosystem of person-car-home” at HyperConnect ng Xiaomi, ang Continuity ng Apple, at ang Cross-device SDK at cross-device services ng Google. Ang laban ng OS Agent ay higit pa sa pagtatagumpay o pagkabigo sa mobile phone at PC.

Ang AICore ay pinagtrabahuhan ng dalawang taon; ang OS ng Apple at ang serye ng Apple silicon ay pinagtrabahuhan ng mahigit sa sampung taon; ang Tensor ay patuloy na inayos hanggang sa G5, kaya ang Pixel 10 ay maaaring magdala ng Gemini Nano v3. Ang kapanatagan ng laban na ito ay hindi nangyayari sa isang dalawang oras sa isang pagpapakita, kundi sa mga generasyon ng chip, model, at Runtime.

Mga sanggunian:

• Ang Gemini Intelligence ay nagdadala ng proactive AI sa Android｜Google Blog
• I/O 2026: Maligayang pagdating sa agentic Gemini era｜Google Blog
• Phi Silica, maliit ngunit makapangyarihan na SLM sa device｜Windows Experience Blog
• Ipinagpapalit ng Apple ang pag-upgrade sa Siri nang walang takdang panahon｜Bloomberg
• Nag-start ang HarmonyOS 6 Developer Beta Press Release (HDC 2025) | Huawei
• Ang pinakabagong Gemini Nano na may on-device ML Kit GenAI APIs｜Android Developers Blog
• Dokumentasyon ng Framework na Foundation Models｜Apple Developer
• Whitepaper sa HarmonyOS Intelligent Agent Framework | Huawei Developer
• On-Device Llama 3.1 gamit ang Core ML｜Apple Machine Learning Research
• Apple Intelligence Foundation Language Models Tech Report 2025｜Apple Machine Learning Research
• Google Tensor G5: Mga benchmark at lahat ng dapat mong malaman｜Android Central
• Ang bagong M5 SoC ng Google (Tensor G5 Explained · Matryoshka Transformer) | Jon Peddie Research
• Private Cloud Compute: Isang bagong hangganan para sa privacy ng AI sa cloud｜Apple Security Engineering
• Balangkas ng AppFunctions｜Android Developers
• App Intents｜Apple Developer
• Intents Kit Overview (HarmonyOS)｜Huawei Developer
• Ang Tensor G5 chip ng Google Pixel 10 Pro ay nakakaimpress—kung ihahambing mo ito sa iPhone 14｜Macworld
• Gemma 3n model overview｜Google AI for Developers