Amazon SageMaker HyperPod 与 Qumulo 实现跨区域训练
Amazon SageMaker HyperPod 搭配 Qumulo 的 Cloud Native Qumulo(CNQ)与 Cloud Data Fabric(CDF),可让训练算力与数据集分处不同 AWS Region 而无需复制数据。
Amazon SageMaker HyperPod 搭配 Qumulo 的 Cloud Native Qumulo(CNQ)与 Cloud Data Fabric(CDF),可让训练算力与数据集分处不同 AWS Region 而无需复制数据。
NVIDIA 加入由 Google DeepMind、EMBL-EBI 等组成的全球研究联盟,通过 AlphaFold Database 开放 2800 多种病毒的蛋白复合物预测 3D 结构,供任何科学家免费使用。
推荐理由:NVIDIA 联合 Google DeepMind 等机构开放 2800 多种病毒的蛋白复合物预测结构,读者可了解开放科学在疫情准备中的具体做法。
NVIDIA 验证工程师 Sakeena Fiza 在数据中心系统工程实验室负责新产品量产前的硬件验证,她回忆 NVIDIA Rubin GPU 首次在系统级成功枚举时团队集体欢呼。她将验证工作比作侦探破案,目标是在客户发现问题之前先发现问题,单块板卡可能含数万个元件、一个机架接近 50 万个。
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。
NVIDIA 在纽约气候周介绍了五家用 AI 推进清洁能源的公司。ThinkLabs AI 用 CUDA 平台打造数字孪生与智能体,帮助南加州爱迪生将电网互联申请评估时间从 30-45 天缩短至 2 分钟。
Google Research 发布 MilleMiglia,一个用 C++ 编写的实例生成器,用于为中英里物流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。中英里承担区域乃至洲际配送中心之间的大批量货物运输,成本占比高却长期缺乏公开高质量数据,学界研究因此受限。该生成器将中英里建模为时空图上的多商品流问题,刻画货物在多辆车之间中转、需在时间窗内赶上接驳车辆等约束。
Salesforce 在 Dreamforce 上发布其首个 CRM 推理模型 Koa,基于 NVIDIA Nemotron 3 Super 后训练而成,训练数据来自近三十年企业 CRM 部署的专有合成数据集。
推荐理由:Koa 基于 NVIDIA Nemotron 3 Super 后训练,并给出 CRM Bench 上错误率降低 3 倍的具体对比。
Google Research 在 ICML 2026 论文中提出 Retrieve-for-Train 框架,用离线强化学习把奖励对齐的 fan-out 查询编译成监督数据,再蒸馏进一个 53.9M 参数的扩散检索器,实现单次非自回归的查询 fan-out。
NVIDIA 在 AI Infra Summit 上介绍 DSX 平台,用于在固定电力预算下提升 AI 工厂的 token 吞吐。
推荐理由:原文给出 DSX 各组件在真实部署中的量化结果,读者可据此判断固定电力预算下提升吞吐的可行路径。
NVIDIA 在 AI Infra Summit 上公布 Vera Rubin 系统、DSX 平台与 NVLink 6 的多项进展,核心指标从峰值性能转向每兆瓦可验证的智能体 token 数。
推荐理由:NVIDIA 在 AI Infra Summit 集中给出 Vera Rubin、DSX 与 NVLink 6 的能效与吞吐数据,可据此判断 AI 工厂的供电与推理经济性走向。
Google Research 在 ACL 2026 论文中提出 ToolGrad,先构造真实的工具调用链,再反推对应的用户查询,用文本梯度迭代扩展 API 工作流来生成工具调用数据。
OpenAI 宣布 ChatGPT Work 中的 Data agent 面向所有人开放,可连接企业数据、用自然语言发现洞察并构建交互式仪表盘。
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。
Google Research 基于 UK Biobank 欧洲人群与 Biobank Japan 近 20 万日本人群数据,评估 8 项临床性状的多基因风险评分(PRS)跨人群迁移效果。
Google Research 与 HHMI Janelia 等机构合作,在 Cell 发表雄性果蝇脑与中枢神经系统的完整连接组图谱,包含超过 166,000 个神经元和 1.25 亿个突触连接,是迄今神经元数量最多的脑图谱。
Google Research 与 NASA JPL 合作提出 MAPL-EMIT,一个基于 Swin-S 视觉 Transformer 的深度学习框架,用于从 EMIT 高光谱卫星数据中自动检测、量化甲烷羽流并定位排放源。
Google 发布 TimesFM-3,这是其新一代零样本时间序列基础模型,原生支持多变量预测,参数量为 330M,预训练语料包含超过 1 万亿个时间点。模型采用交替注意力架构,并通过 Contiguous Patch Masking 在单次前向中输出整个预测区间,同时给出 9 个分位数。
推荐理由:原文交代了 TimesFM-3 从单变量转向原生多变量预训练的结构改动,以及它在三个公开基准上的排名表现。
微软研究院推出 GigaPath-Flash 和 GigaTIME-Flash,以蒸馏自十亿参数 GigaPath 编码器的 22M 参数 ViT-S 骨干大幅降低病理分析算力需求,均以 Apache 2.0 许可开源。
Google Research 在 Google Earth AI 下推出实验性研究能力行星预测引擎(PPE),可依据自然语言查询自主完成地理空间数据检索、特征工程、模型训练与评估,把建模周期从数周缩短到数分钟。
推荐理由:原文给出 PPE 在公共卫生、粮食安全与疫情预测上的具体基准对比,可了解地理空间建模自动化的能力边界。
Google Research 发布自监督基础模型 GlucoFM,采用双流设计分离缓慢血糖趋势与短期波动,在 109,066 小时无标注 CGM 数据上预训练。在四个队列、七项临床任务的 14 组评估中,其 PR-AUC 平均比最佳 GluFormer 变体高 5.8 个百分点,并在餐后血糖响应预测中取得最低 MAE。
Google Research 提出 Biomarker Discovery Framework,一个在人类监督下把候选生物标志物筛选组织为迭代研究循环的多智能体系统,结合假设生成、并行统计分析、模型训练、对抗验证与文献推理。
Google Research 提出 ME-POIs 框架,将聚合匿名移动性数据(到达时间、停留时长、周边活动)与文本描述结合,为地点生成同时编码身份与动态功能的嵌入向量。在公开基准上,该方法使访问意图预测相对提升最高 81.9%,价格水平分类提升 75.1%,繁忙度估计准确率提升 24.7%。框架通过访问对齐、空间多尺度访问传播和文本-移动性协同三步流程,缓解小商户数据稀疏问题。
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。
Google Research 提出 PhotoScan,一个可从普通 2D 手机照片估算体脂率、A/G 比值和 V/S 比值的深度学习框架。模型先在 UK Biobank 的 35,323 条记录上预训练,再用 677 名成人的手机照片与 DXA 真值微调,在 132 人的独立队列中体脂率 MAE 为 2.13,优于 BIA 的 2.91。
Google Research 提出知识画像(knowledge profiling)框架,并构建含 2,150 条维基百科事实的 WikiProfile 基准,用于区分模型是未编码事实还是编码后无法召回。
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。
Google DeepMind 在 Nature 发表论文,称 WeatherNext AI 模型在预测气旋路径、强度和风场结构上达到 SOTA,平均为预报员多争取约一天的预警时间,三天预报精度相当于此前模型的两天水平。
推荐理由:原文给出气旋路径与强度预报的领先幅度和开源入口,读者可据此判断气象预报工作流的变化。
Google Research 提出 Chain-of-Evidence(CoE)可验证性框架,并实现自主科研原型 Science One Framework 与配套的 CoE Audit 审计指标。
微软研究院提出 Echoverse,为计算机操作智能体构建十二个训练世界,包括十个完整领域环境和两个能力环境,每个环境自带数据库、任务和基于数据库真值的验证器。
推荐理由:微软研究院公开了十二个计算机操作智能体训练环境与配套验证器,并给出深度环境与浅层环境对迁移效果的对比数据。
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。
Google Research 在 Nature 发表研究,提出用强化学习框架从量子纠错检测事件中学习,在计算过程中持续调节数千个控制参数以抵消漂移。在 Willow 超导处理器上人为注入漂移后,该方法将纠错码的逻辑稳定性提升 3.5 倍,并在专家校准基础上进一步把逻辑错误率降低 20%。实验将表面码逻辑错误降至每千次纠错周期少于一次,数值模拟显示所需 RL 训练轮数与系统规模无关。
Google Research 在 ICLR 2026 论文中提出,扩散模型的创造力源于神经网络训练中的 score smoothing:权重衰减等正则化使学到的 score function 变平滑,去噪过程因此在训练数据点之间插值,生成新样本而非简单记忆。
Google Research 发布 SensorFM,一个直接从无标签可穿戴数据学习的大型传感器基础模型,预训练语料来自五百万名同意参与者、超过一万亿分钟的多模态信号。
推荐理由:Google 用五百万人的万亿分钟可穿戴数据训练通用生理表征,读者可了解自监督建模如何处理真实缺失数据。
伯克利 EPIC Data Lab 提出近零推理成本时代数据系统面临三大挑战:为智能体设计的数据系统、运行智能体集群的数据系统、由智能体合成数据系统。GPT-4 级能力从 2023 年初约 $30/百万 token 降至如今不到 $1,部分厂商已低于 $0.10,推理价格年降幅在 9x 到 900x 之间,中位数约 50x。
Google Research 将建筑级屋顶反照率数据集扩展至 9 个国家 50+ 城市,并通过新上线的 Heat Resilience Earth Engine App 开放访问。该方法融合 Sentinel-2 与 30 厘米分辨率 Airbus Pléiades Neo 影像,在 Boulder 验证的 RMSE 为 0.04,建模显示定向推广冷屋顶可使全球城市极端高温缓解最多 0.5°C。
Google 发布面向表格数据分类与回归的基础模型 TabFM,把表格预测建模为上下文学习问题,单次前向传播即可对未见过的表格给出预测,无需训练、调参或特征工程。
推荐理由:原文交代了 TabFM 用合成数据预训练和行列交替注意力的做法,读者可据此理解零样本表格预测如何省去调参与特征工程。
Google Research 发布英国乡村高分辨率矢量数据集,将树篱、石墙、小树林等标准卫星难以探测的细小生态特征转为可操作清单。模型基于在超 3 亿张全球卫星影像上预训练的 Vision-Transformer Backbone 微调,并用 Polsby–Popper 紧凑度分数(小于 0.5 判为线性特征)区分树篱与林地。
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 1.2 至 1.7 年的常规学习进度,八周内完成。
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,可了解 AI 辅助教学在真实课堂中的效果与边界。
Google Research 在 GitHub 上以 Apache 2.0 许可证开源其水文建模框架,让各国气象与水文机构能基于同一架构和相近训练数据训练 AI 洪水预报模型。
剑桥大学 Clare Bryant 教授利用 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,该工具生成并排序的假设中有一个她此前未关注的蛋白质,关联到她已感兴趣的多个信号通路。她随后加入未发表数据反复迭代,将假设从候选蛋白质细化到具体氨基酸,团队正构建含氨基酸突变的细胞系验证。原本需两到三年的实验工作,她预计六个月内完成。