Atria 团队研究：AI 智能体承担更多模型研发工作，但决策仍由人类做出
Atria 团队在开发 744B 参数的 MoE 智能体语言模型 Atria Dawn Preview 过程中记录人机协作数据，发现 AI 参与了 96.5% 的任务，四周内智能体动作与人类输入的比值中位数从 11 升至 28.5。
#数据/训练
#数据/训练
今日 1 条The DecoderAI 评分6262
Microsoft ResearchAI 评分4242 微软开源逆合成模型 RetroChimera，成果登上 Nature
微软研究院在 Nature 发表逆合成模型 RetroChimera，并开源其实现与权重。该模型用学习式集成策略融合 Transformer 模型 R-SMILES 2 与 GNN 模型 NeuralLoc 的排序预测，在盲测中化学家更偏好其单步反应预测。
Google DeepMind精选AI 评分7171 Google DeepMind 发布 AlphaGenome Atlas，覆盖人类基因组 90 亿个单核苷酸变异预测
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，已通过网站门户、AlphaGenome API 和 Google Antigravity 中的 skill 开放学术研究免费使用。
推荐理由：AlphaGenome Atlas 把 90 亿个单核苷酸变异的预测结果做成可检索资源，读者可了解其数据规模与在罕见病研究中的实际用法。
Microsoft ResearchAI 评分4040 微软 Skala 1.1 发布：训练数据增 2.5 倍，并集成进 CP2K 等主流 DFT 软件
微软研究院发布深度学习交换关联泛函 Skala 1.1，训练数据量较首版增加 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。微软同时推出持续追踪各版本计算性能的 living benchmark。
Microsoft ResearchAI 评分4040 Microsoft Research 推出 CARE-X：面向临床可用的放射学 VLM
Microsoft Research 发布研究模型 CARE-X，一个统一胸部 X 光视觉语言模型，同时支持报告生成与结构化预测，并用强化学习 DAPO 在多任务设定下奖励临床正确性。
Berkeley AI ResearchAI 评分3636 Berkeley AI Research 提出 ABBEL：用信念状态监督 LLM 长程交互中的摘要更新
Berkeley AI Research 提出 ABBEL 框架，将 LLM 的摘要内容隔离为自然语言"信念状态"并加以监督，以缓解递归摘要带来的性能损失。在协作编程基准 CollabBench 上，采用基于重构的信念评分后，ABBEL 将全上下文模型的性能差距缩小约 50%，训练步数从 100 降至 50，峰值 token 长度也低于全上下文设置。
Berkeley AI ResearchAI 评分4040 GRASP：面向世界模型的基于梯度的长时程规划器
Berkeley AI Research 提出 GRASP，一种面向学习动力学（世界模型）的基于梯度的规划器，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，使长时程规划变得可行。
Berkeley AI ResearchAI 评分3434 Berkeley AI Research 提出 SPEX 与 ProxySPEX：大规模识别 LLM 关键交互
Berkeley AI Research 提出 SPEX 与 ProxySPEX 算法，可在特征、数据与模型组件归因中大规模识别驱动 LLM 输出的关键交互。SPEX 利用稀疏性与低阶性把交互搜索转化为稀疏恢复问题，ProxySPEX 进一步借助层级结构，以约 10x 更少的消融达到 SPEX 的性能。
Berkeley AI ResearchAI 评分3232 伯克利提出信息驱动成像系统设计框架，登 NeurIPS 2025
伯克利 AI 研究团队提出基于互信息的成像系统评估与优化框架，可直接从含噪测量中估计信息量，并在彩色摄影、射电天文、无透镜成像和显微成像四个领域验证其能预测解码器性能。该方法优化出的设计达到端到端 SOTA 水平，同时占用更少内存和算力，且无需任务专用解码器设计。
Berkeley AI ResearchAI 评分3232 word2vec 究竟学到了什么？伯克利 AI 研究给出定量理论
伯克利 AI 研究提出首个关于 word2vec 学习过程的定量预测理论，证明在实际训练条件下该问题可化简为无权重最小二乘矩阵分解，梯度流动态有闭式解，最终学到的表示等价于对目标矩阵 M* 做 PCA。