论文研究

推荐理由：Google 用 35 万段手机视频训练 rPPG 模型，并公开迄今最大规模数据集，读者可了解被动心率监测的可行边界。

推荐理由：OpenAI 模型推翻离散几何中一个长期猜想，读者可了解 AI 在数学证明上的进展。

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。

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。

推荐理由：Google DeepMind 公开了 AI co-clinician 的研究设计与评测结果，读者可了解医疗智能体在证据检索和实时多模态问诊上的能力边界。

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。

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。

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。

推荐理由：Google 用量子资源估算与零知识证明披露方式，给出区块链迁移 PQC 的时间压力与路径参考。

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。

推荐理由：两项 Nature Cancer 研究给出了 AI 在 NHS 乳腺筛查中的前瞻部署数据与人工仲裁交互结果，可了解落地时的数据漂移与仲裁量问题。

推荐理由：Google 与 BIDMC 的这项前瞻性研究给出了 AMIE 在真实门诊中零安全中止、诊断与基层医生相当的具体数据，可了解对话式医疗 AI 落地临床的可行性与边界。

推荐理由：OpenAI 提出 CoT-Control 并给出推理模型难以控制思维链的观察，为可监控性作为安全手段提供了依据。

推荐理由：OpenAI 与学术合作者披露 GPT-5.2 提出胶子振幅新公式并被形式化证明，可观察大模型参与理论物理推导的路径。

推荐理由：Meta 与 Hugging Face 的 OpenEnv 框架及 Turing 的 Calendar Gym 给出了智能体在真实权限与多步环境下的失败模式数据。

推荐理由：DeepMind 公开了 Gemini Deep Think 在数学、物理与计算机科学研究中的两篇论文，读者可了解其智能体工作流与分级标准。

推荐理由：通过 180 种智能体配置的对照实验，给出多智能体架构在并行与串行任务上的量化差异，可据此调整编排策略。

推荐理由：NeuralGCM 改用卫星降水观测训练后，在 15 天预报与数十年气候模拟中对比 ECMWF 等模型的误差变化值得关注。

推荐理由：Google Research 提出 Titans 架构与 MIRAS 框架，用深度神经网络做长期记忆模块，读者可了解长上下文建模的新思路。

推荐理由：AlphaFold 预测与冷冻电镜数据结合解析 apoB100 结构，展示了 AI 在结构生物学中的具体用法。