NVIDIA NeMo AutoModel 发布，MoE 微调吞吐较 Transformers v5 提升 3.4-3.7 倍
NVIDIA 在 Hugging Face 博客发布开源库 NeMo AutoModel，基于 Transformers v5 构建，新增 Expert Parallelism。
#数据/训练
#数据/训练
Hugging Face BlogAI 评分
MosaicLeaks：你的研究智能体能守住秘密吗？
Hugging Face 博客提出 MosaicLeaks，用 1,001 条多跳研究链测试深度研究智能体的隐私泄漏，这些链交替穿插本地企业文档与公开网页信息。测试中智能体频繁泄漏隐私，仅针对任务表现训练会加剧泄漏；其提出的 PA-DR 强化学习方法将严格链成功率从 48.7% 提升至 58.7%，同时把答案/全信息泄漏率从 34.0% 降至 9.9%。
超越 LoRA：能否击败最流行的微调技术？
Hugging Face 在 PEFT 库中对比了 LoRA 之外的多种参数高效微调技术，指出仅凭论文结果难以判断哪种技术最优。其统计显示，Hugging Face Hub 上提及单一 PEFT 技术的 20,834 个模型卡中有 20,509 个（98.4%）使用 LoRA，10,000 个图像生成 checkpoint 中 7,111 个为 LoRA。
OpenAI News精选AI 评分 OpenAI 与 Molecule.one 用 GPT-5.4 打造近自主 AI 化学家，改进药物化学中的难反应
OpenAI 与 Molecule.one 展示了一个由 GPT-5.4 驱动的近自主 AI 化学家，它改进了一项关键的制药反应，推进了药物化学研究。
推荐理由：OpenAI 与 Molecule.one 用 GPT-5.4 驱动的近自主 AI 化学家改进药物合成反应，可了解 AI 在实验科学中的落地方式。
OpenAI NewsAI 评分 OpenAI 推出 LifeSciBench 生命科学评测基准
OpenAI 发布 LifeSciBench，一个由专家编写并评审的基准，用于评估 AI 系统处理真实生命科学研究任务与决策的能力。
Google ResearchAI 评分Google Earth AI 如何用高分辨率深度学习框架绘制英国乡村树篱与石墙
Google Research 发布矢量化数据集，将英格兰树篱、石墙和树丛从像素地图转为可执行清单，供土地所有者和保护者测量并扩展这些细尺度生态特征。
Google DeepMind精选AI 评分Google DeepMind 在塞拉利昂开展 AI 学习试验，数学成绩提升 0.258 个标准差
Google DeepMind 公布在塞拉利昂开展的预注册试验结果，使用 Guided Learning 的学生数学成绩比对照组提升 0.258 个标准差，约相当于八周内取得 1.2 至 1.7 年的常规学习进度。
推荐理由：原文给出塞拉利昂预注册试验的量化结果与交互数据，读者可据此了解AI辅助教学的实际效果与局限。
- Google ResearchAI 评分
Google 开源洪水预报水文建模框架
Google Research 在 GitHub 开源其水文建模框架，让各国气象水文机构可将 AI 洪水预报集成进自身工作流。该框架为基于 PyTorch 的 Python 包，采用 LSTM 架构，训练流程使用开源 Caravan 数据集，并已与捷克水文气象研究所（CHMI）合作验证。新版模型相较 2024 年基准版本，在有测站流域将可靠预测期延长 6 天，无测站流域延长 1 天。
OpenAI News精选AI 评分 OpenAI 为 GPT-Rosalind 推出新能力
OpenAI 为 GPT-Rosalind 推出新能力，面向生命科学研究，增强生物推理、药物化学专长、基因组分析与实验工作流能力。
推荐理由：OpenAI 公布 GPT-Rosalind 在生物推理、药物化学与基因组分析上的能力扩展，读者可据此了解该模型在生命科学场景的定位。
Hugging Face 博客：Direct Preference Optimization 如何超越聊天机器人场景
DharmaOCR 团队用 DPO 作为 SFT 之后的第二阶段训练，在巴西葡萄牙语结构化 OCR 任务上把文本退化率平均降低 59.4%，最佳案例降低 87.6%（Nanonets-OCR2–3B 从 1.61% 降至 0.20%）。
- Google ResearchAI 评分
Google Research 在 I/O 2026 发布 Gemini for Science 等科学 AI 工具
Google Research 在 I/O 2026 发布 Gemini for Science 实验工具套件，包含基于 ERA 与 AlphaEvolve 的 Computational Discovery、基于 Co-Scientist 的 Hypothesis Generation 以及基于 NotebookLM 的 Literature Insights。
Hugging Face 在 TRL 中实现增量权重同步，异步 RL 每步传输量降至 20-35MB
Hugging Face 在 TRL 中落地了增量权重同步（Delta Weight Sync）：只把两次 RL 优化步之间真正变化的 bf16 权重编码成稀疏 safetensors 文件，上传到 Hugging Face Bucket，再由 vLLM 拉取应用。
推荐理由：TRL 的稀疏增量权重同步把异步 RL 每步传输量压到原来的百分之几，读者可据此判断跨集群训练的成本边界。
OlmoEarth v1.1 发布：更高效的地球观测模型系列
Hugging Face 发布 OlmoEarth v1.1，在保持 v1 性能的前提下将计算成本最多降低 3 倍。该系列通过将 Sentinel-2 各分辨率合并为单一 token 缩短序列长度，并修改预训练方案以避免性能下降，提供 Base、Tiny、Nano 三种规模权重及训练代码。
- Google Research精选AI 评分
Google 在 Nature 发表 ERA：用 Gemini 编写科学代码并开放 Computational Discovery
Google 在 Nature 发表论文介绍 Empirical Research Assistance（ERA），这是一个用 Gemini 编写和优化科学代码的研究工具，通过树搜索在数千种方案中迭代优化代码。
推荐理由：Google 用 Gemini 驱动的 ERA 在 Nature 发表，并给出流行病、径流、CO2 等八篇应用结果，可看科研编码自动化的边界。
- Google DeepMindAI 评分
Google DeepMind Co-Scientist 加速逆转细胞衰老的基因研究
Google DeepMind 的 Co-Scientist 正被用于加速细胞衰老研究：它扫描数万篇论文后提出 20 多个可测试的新遗传因子，实验室验证其中几个成功将细胞推向更年轻状态并改善整体功能。它还能将原本长达六个月的筛选数据分析缩短至几天。
- Google DeepMind精选AI 评分
Google DeepMind 发布 Gemini for Science 科学工具与实验
Google DeepMind 发布 Gemini for Science，包含 Google Labs 上三个实验性工具和 Google Antigravity 中的 Science Skills。
推荐理由：原文给出三类科学实验工具的能力分工与开放入口，可据此判断智能体在科研流程中的落点。
- Google DeepMindAI 评分
剑桥大学教授用 Google Co-Scientist 寻找跨物种传播疾病的分子开关
剑桥大学 Clare Bryant 教授使用 Google Co-Scientist 研究流感等病原体跨物种传播时引发败血症等重症的分子开关。Co-Scientist 生成并排序了一批假说，其中优先标记出一个她此前未关注的蛋白，并将其细化到具体氨基酸位点。Bryant 团队正构建含氨基酸突变的细胞系验证假说，原本需两到三年的实验工作有望在六个月内完成。
- Google DeepMindAI 评分
Google DeepMind Co-Scientist 如何助力 Calico 探索衰老生物学
Calico Life Sciences 的 Matt Onsum 与 Katherine Labbé 正使用 Google DeepMind 的 Co-Scientist 整合衰老生物学中零散的研究发现，并将其转化为可验证的假设。
- Google DeepMindAI 评分
Google Co-Scientist 加速肝病机制发现
爱丁堡大学团队用 Google Co-Scientist 研究 MASH 肝病，系统整合肝脏生物学与药理学证据，锁定 NLRP3 炎症小体作为连接炎症与代谢的分子桥梁，解释药物 resmetirom 为何仅对少数合格患者有效。该假设经实验验证，或为靶向联合疗法铺路。
- Google DeepMindAI 评分
Google Co-Scientist 助力发现抗肝纤维化老药新用
Stanford 遗传学家 Gary Peltz 用 Google Co-Scientist 筛选可重定位治疗肝纤维化的现有药物，其提出的 3 个候选中有 2 个在活体人类肝细胞测试中阻断纤维化并促进肝细胞再生，而 Peltz 自己挑选的 2 个药物均无效。表现最突出的是抗癌药 vorinostat，阻断了 91% 可驱动肝瘢痕形成的损伤反应。相关研究已发表于 Advanced Science。
- Google DeepMind精选AI 评分
Google DeepMind 发布 Co-Scientist 多智能体科研系统
Google DeepMind 在 Nature 发表 Co-Scientist 研究，这是一个基于 Gemini 构建的多智能体 AI 系统，可迭代生成、辩论和演化复杂科学问题的新假设。
推荐理由：原文披露了多智能体系统的三阶段协作机制与跨机构验证案例，可了解AI参与科学假设生成的具体路径。
OpenAI NewsAI 评分 Parameter Golf 对 AI 辅助研究的启示
OpenAI 的 Parameter Golf 活动吸引 1000+ 名参与者、收到 2000+ 份提交，探索 AI 辅助机器学习研究、编码智能体、量化与新型模型设计。活动在严格约束条件下进行。
AWS 上基础模型训练与推理的构建模块
Hugging Face 博客发布系列文章，分析 AWS 基础设施如何与开源软件栈配合支撑基础模型全生命周期。文章指出 scaling 已从单一预训练曲线演变为预训练、后训练与测试时计算三条路径，并梳理了 Slurm、Kubernetes、PyTorch、JAX、Prometheus、Grafana 等 OSS 工具的分层架构。
Berkeley AI ResearchAI 评分
自适应并行推理：高效推理扩展的新范式
伯克利 AI 研究团队梳理了并行推理领域进展，重点分析自适应并行推理——让模型自行决定何时分解并并行化独立子任务、生成多少并发线程以及如何协调。现有方法如 Self-consistency、Best-of-N、Tree of Thoughts、MCTS、ParaThinker、GroupThink、Hogwild! Inference 的并行结构多由外部设定，而非模型自主选择。
- Google DeepMind精选AI 评分
Google DeepMind 公布 AlphaEvolve 一年进展：从 TPU 设计到商业客户落地
Google DeepMind 回顾了 Gemini 驱动的编码智能体 AlphaEvolve 发布一年来的应用进展，称其已从试点成为 Google 基础设施的核心组件，用于优化下一代 TPU 设计和缓存替换策略。
推荐理由：原文汇总了 AlphaEvolve 在基因组、电网、量子物理和商业客户中的落地数据，可据此判断编码智能体的跨领域适用范围。
OpenAI NewsAI 评分 OpenAI 发布 MRC（Multipath Reliable Connection）大规模 AI 训练网络协议
OpenAI 推出 MRC（Multipath Reliable Connection）超级计算机网络协议，通过 OCP 开放发布，用于提升大规模 AI 训练集群的韧性与性能。
- Google ResearchAI 评分
Google Research 如何通过全球合作与开放资源推动科学影响
Google Research 公布其开源工具与开放数据集已支持全球超 25 万名研究人员和开发者。其中基因组学工具 DeepVariant、DeepConsensus、DeepPolisher 已助全球处理 250 万人的外显子与全基因组，Health AI Developer Foundations 及 MedGemma 累计下载超 480 万次。
- Google Research精选AI 评分
Google Research 科学家使用 ERA 开展科研的四种方式
Google Research 介绍了科学家使用 Empirical Research Assistance（ERA）开展科研的四个方向：公共卫生、宇宙学、气候与神经科学。
推荐理由：Google Research 用四个真实科研项目展示 ERA 在流行病预测、宇宙学、卫星 CO2 监测和神经回路发现中的具体产出。
Granite 4.1 LLM 是如何训练的：IBM 公开数据工程、预训练与强化学习全流程
IBM Granite 团队发布技术文章，详解 Granite 4.1 系列稠密 LLM（3B、8B、30B）的训练流程：约 15T tokens 五阶段预训练，上下文窗口经长上下文扩展至 512K tokens，随后用约 4.1M 条高质量样本做 SFT，并采用 on-policy GRPO 配合 DAPO loss 的多阶段强化学习。
推荐理由：Granite 4.1 团队公开了从数据配比到多阶段 RL 的完整训练细节，可对照其 8B 稠密模型追平 32B MoE 的结论。
OpenAI NewsAI 评分 OpenAI 构建 AI 就业转型分析框架，覆盖 921 种职业与 1.48 亿美国岗位
OpenAI 提出一套新框架，分析 921 种职业和 1.48 亿个美国岗位，识别哪些角色面临自动化风险、重组、增长或受 AI 影响较小。
- Google DeepMind精选AI 评分
Google DeepMind 发布 Decoupled DiLoCo 分布式训练架构
Google DeepMind 发布论文提出 Decoupled DiLoCo 分布式训练架构，将训练拆分为解耦的计算“岛屿”，岛屿间异步传输数据，从而隔离局部硬件故障。
推荐理由：原文给出分布式训练新架构的带宽、容错与跨代硬件实测数据，可据此判断大规模预训练基础设施的演进方向。
OpenAI News精选AI 评分 OpenAI 发布开源权重模型 Privacy Filter，用于检测和脱敏文本中的 PII
OpenAI 发布 Privacy Filter，这是一款开放权重模型，用于检测和脱敏文本中的个人身份信息（PII），官方称其准确率达到 state-of-the-art 水平。
推荐理由：OpenAI 开源了一款用于识别和脱敏文本中个人身份信息的模型，可了解其在 PII 检测上的定位。
QIMMA：Hugging Face 推出质量优先的阿拉伯语 LLM 排行榜
Hugging Face 发布 QIMMA（阿拉伯语"顶峰"）阿拉伯语 LLM 排行榜，在评测模型前先对基准做质量验证，整合 14 个来源基准的 109 个子集、超 52,000 条样本，覆盖 7 个领域，其中 99% 为原生阿拉伯语内容，也是首个含代码评测的阿拉伯语排行榜。验证发现 ArabicMMLU 丢弃率 3.1%、MizanQA 2.3%，问题涵盖答案错误、文本损坏与文化偏见。
GRASP：面向世界模型长时程规划的梯度规划器
伯克利 AI 研究提出 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、在状态迭代中直接注入随机性以探索、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、更鲁棒。该工作由 Mike Rabbat、Aditi Krishnapriyan、Yann LeCun 与 Amir Bar 合作完成。
- Google ResearchAI 评分
Google 提出 Simula：面向真实世界的合成数据集机制设计与推理框架
Google 提出推理优先的合成数据生成框架 Simula，无需种子数据，将数据集构建拆解为全局多样化、局部多样化、复杂化和质量检查四个可控维度，并以 Gemini 2.5 Flash 为教师模型、Gemma-3 4B 为学生模型在网络安全、法律推理、GSM8k 和 Global MMLU 等五个领域生成最多 512K 数据点。
- Google ResearchAI 评分
Google Research 用 AI 合成神经元加速脑图谱绘制，重建误差降低 4.4%
Google Research 提出 MoGen（Neuronal Morphology Generation），基于 PointInfinity 点云流匹配模型生成合成神经元形状，为 PATHFINDER 重建模型补充训练数据，使小鼠轴突重建误差降低 4.4%，主要来自 merge error 的减少。
OpenAI NewsAI 评分 用 ChatGPT 分析数据
ChatGPT 可用于探索数据集、生成洞察、创建可视化，并将分析发现转化为可执行的决策。
- Google ResearchAI 评分
Google Research 发布 ConvApparel：测量并弥合用户模拟器的真实感差距
Google Research 推出 ConvApparel 数据集，包含服装购物领域超 4,000 段人机多轮对话、近 15,000 轮次，用于量化 LLM 用户模拟器与真实人类的真实感差距。
- Google ResearchAI 评分
Google Research 研究：AI 基准测试需要多少标注者才够？
Google Research 在《Forest vs Tree: The (N, K) Trade-off in Reproducible ML Evaluation》中研究了标注条目数与每条目标注者数的权衡，发现常用的每条目 1、3、5 名标注者往往不足，可靠结果常需超过 10 名。
- Google Research精选AI 评分
Google 发布 TurboQuant 等向量量化算法，将 KV cache 压缩至 3 bit
Google 发布 TurboQuant 压缩算法，可将 KV cache 量化到 3 bit，无需训练或微调且不损失模型精度，相关论文将亮相 ICLR 2026。
推荐理由：Google 公布 TurboQuant 等三种向量量化算法，读者可了解 KV cache 压缩到 3 bit 且不损失精度的实现路径。