微软研究院开源 Agent Lightning v1.0，一个约 3500 行代码的轻量智能体强化学习框架，提出 Harnessed Agentic RL 范式，让部署时使用的 agent harness 直接参与训练，无需在训练框架内重新实现智能体。
推荐理由：微软研究院开源 Agent Lightning v1.0，读者可了解无需重写 harness 的智能体 RL 训练范式与 3500 行实现。
英伟达团队从 Nemotron 3 出发，用 SFT、RL 和生成-验证-精炼推理流程，让模型在 IOI 2026 拿到 535.4/600、在 IMO 2026 拿到 30/42，均超过官方金牌线。
推荐理由：原文公开了从 Nemotron 3 微调到 IOI、IMO 金牌级成绩的完整配方与数据集，可复用到其他高难领域。
OpenAI 与 Ironclad 正围绕复杂的合同工作流训练和评估 AI 智能体，以推进面向专业工作的计算机操作能力。双方将合同流程作为测试场景，探索智能体在真实专业任务中的表现。
Google Research 发布研究，用 Google Earth AI 的 Population Dynamics Foundation Model（PDFM）作为概念验证，展示自监督预训练的“地点”表征可作为即插即用输入接入现有流行病学模型，无需任务特定微调。
推荐理由：Google 用五个公共卫生案例验证地理空间基础模型嵌入可直接接入现有流行病学流程，读者可了解其验证范围与量化增益。
NVIDIA《State of AI in Telecommunications》报告显示，89% 受访者认为开源模型与软件对公司 AI 战略重要。NVIDIA 发布 300 亿参数的 Nemotron 3 Large Telco Model（LTM），由 AdaptKey 基于开源电信数据集微调，并开放端到端微调配方，配合 NeMo 库供运营商用自有数据定制。
基于 Falcon-H1-Arabic 的方言专用模型 Falcon-Emirati-7B 发布，专注理解与生成阿联酋阿拉伯语，涵盖词汇、语气与文化语境。
Ai2 开源 AstaBrief 8B，一个把研究问题和检索到的文献片段转成带引用报告的小模型，基于 Qwen3-8B 训练，已作为 Asta 的 Fast 模式上线，同时开放模型权重和训练数据。
推荐理由：原文给出了从 Qwen3-8B 出发的 SFT 加 DPO 训练配方与数据过滤经验，可迁移到其他垂直领域小模型。
ServiceNow CoreAI 构建了 AutoSynthData，利用目标模型的失败案例与更强教师的成功示范，定位能力缺口并生成、验证新的可执行训练任务，随模型提升动态调整课程。该流程在 EnterpriseOps Gym 数据集上进行了演示，生成的任务需满足可行性、真实性与难度三项要求，并通过一致性、可靠性与完备性的验证器筛选后用于后训练。
NVIDIA 提出 AI 工厂回报由三要素决定：每兆瓦产出能力、硬件使用寿命和 token 需求。SemiAnalysis AgentX 数据显示，Vera Rubin NVL72 每兆瓦吞吐量超 GB300 NVL72 的 30 倍，在 DeepSeek V4 Pro 上每百万 token 成本低至 45 分之一。
微软研究院开发了一套端到端机器学习流水线，利用 L1 太阳风观测、AE 与 Dst 指数预报及地质电导率数据，为美国本土 66,935 座变电站生成 30-60 分钟前的局地空间天气风险估计。
Google DeepMind 发布 SynthID Bio，将 SynthID 水印技术引入合成生物学，把不可感知的签名直接嵌入生物代码，使水印不仅能在数字模型上验证，也能在合成出的实体蛋白质上验证，同时保持其生物功能。
推荐理由：SynthID 水印技术首次延伸到合成生物学，读者可了解 AI 生成蛋白质如何在保持功能的同时被标记与验证。
NVIDIA 发布开源表格基础模型 Kumo Tabular，给定带标签的表格行即可在单次前向中预测新行标签，支持分类与回归，无需训练、调参和特征工程。模型提供 28M 到 215M 三种规模，仅用人工合成表格预训练，采用 OpenMDW-1.1 许可可商用，并在 TabArena、BeyondArena、TALENT 和 ScoringBench 四个基准上排名第一。
推荐理由：原文给出模型规模、单次前向预测方式和四个基准排名，可据此判断表格基础模型对现有建模流程的替代空间。
微软研究院发布 Quine，一个面向生物学复杂性的 AI 研究系统，由跨序列、结构、功能、细胞状态和成像等多模态数据联合训练的生物学世界模型，以及连接模型、科学工具、文献与研究者的交互式 harness 组成。
推荐理由：微软研究院公开 Quine 的多模态生物世界模型与实验闭环，并给出胰腺癌化合物筛选的湿实验验证结果。
NVIDIA 联合 Google DeepMind、EMBL-EBI 等机构，通过 AlphaFold Database 开放了 2800 多种病毒的蛋白复合物预测 3D 结构，任何科学家均可免费获取。
推荐理由：NVIDIA 与 Google DeepMind 等联合开放 2800 多种病毒的蛋白复合物结构预测，读者可了解这一开放数据集的规模与用途。
微软在 Nature 发表逆合成模型 RetroChimera，并开源其实现与权重。该模型融合 Transformer 模型 R-SMILES 2 与 GNN 模型 NeuralLoc，通过学习式重排序整合两者互补预测，在常见与罕见反应类型上均表现强劲。
Google Research 发布 MilleMiglia，一个用 C++ 编写的实例生成器，用于为中段物流配送问题生成真实且保护隐私的基准数据，源码与文档已在 GitHub 公开。
Google Research 发布一项研究实验，让教师借助生成式 UI（GenUI）按自己的课程目标和教学大纲动态生成互动式学习模拟，并同步开放 30 多个面向中学 STEM（物理、化学、生物、数学）的英文示例库，全部由 AI 生成、教师审核。
Google Research 提出 Retrieve-for-Train 框架，通过离线强化学习将奖励对齐的查询扇出编译为监督信号，再蒸馏进一个 53.9M 参数的扩散检索器，实现推理时单次非自回归的查询扇出，无需测试时 CoT 推理 token。
Google Research 提出 ToolGrad，一种“先答案后问题”的工具调用数据生成范式：先生成真实工具调用链，再反向标注用户提示词，只需一步 LLM 调用。
Google DeepMind 发布 AlphaGenome Atlas，一个包含人类基因组 90 亿个单核苷酸变异效应预测的平台，规模达 1PB，是 AlphaFold Database 的 30 倍以上，今日起通过网站门户、AlphaGenome API 和 Google Antigravity 中的 skill 向学术研究免费开放。
推荐理由：AlphaGenome Atlas 把全基因组变异预测做成可检索资源，读者可了解其数据规模与在罕见病研究中的实际用法。
Google DeepMind 与 Google Research 发布 WeatherNext 3，称其为目前最先进的全球天气模型，可基于实时卫星数据每小时生成一次预报，地表变量分辨率达 5 公里，整体比 WeatherNext 2 清晰约五倍。
推荐理由：官方给出分辨率、更新频率与降水精度提升幅度，可据此判断 AI 天气预报在 Google 产品中的落地程度。
微软研究院推出 GigaPath-Flash 和 GigaTIME-Flash，用蒸馏自十亿参数 GigaPath 编码器的 22M 参数 ViT-S 骨干替代原模型，在 PANDA 前列腺分级和 EBRAINS 脑肿瘤分型基准上以约 50 倍更少算力达到原 GigaPath 3% 以内的性能。
微软研究院发布深度学习交换关联泛函 Skala 1.1，训练数据量为此前公开版本的 2.5 倍，在 GMTKN55 基准 55 个类别中 32 项排名第一，加权平均误差 2.8 kcal/mol。Skala 现已在 CP2K 中可用，并正集成进 Psi4、FHI-aims、ORCA 和 VASP，同时推出持续追踪各版本计算性能的 living benchmark。
Berkeley AI Research 提出 ABBEL 框架，将摘要的信息内容隔离并以自然语言"信念状态"（belief states）形式进行监督，用信念替代完整交互历史作为智能体的工作上下文，并通过信念评分提升性能。该方法针对递归摘要（即上下文压缩）在长程任务中性能损失显著的问题，尤其适用于协作代码生成等高质量数据稀缺的人类辅助场景。
随着推理成本快速下降，GPT-4 级能力从 2023 年初的约 $30/百万 token 降至如今不到 $1，部分厂商甚至低于 $0.10，基准测试中推理价格年降幅在 9x 到 900x 之间，中位数约 50x。
Berkeley AI Research 提出 GRASP，一种面向学习动力学（世界模型）的梯度规划器，通过将轨迹提升到虚拟状态实现跨时间并行优化、在状态迭代上直接加入随机性以探索、并重塑梯度让动作获得清晰信号，同时避开高维视觉模型中脆弱的“状态-输入”梯度，使长时程规划更实用、更稳健。
伯克利 AI 研究团队提出一种基于信息量的成像系统评估与优化框架，仅用含噪测量和噪声模型即可量化测量对物体的区分能力。该框架在四个成像领域预测系统性能，优化后的设计可媲美端到端 SOTA 方法，且内存和算力需求更低，无需任务专用解码器设计。相关成果发表于 NeurIPS 2025。