Google DeepMind 推出 SynthID Bio,为 AI 生成蛋白质嵌入水印
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 水印从文本图像延伸到合成生物,读者可了解其在蛋白质序列与结构上的实现方式与生物安全用途。
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 水印从文本图像延伸到合成生物,读者可了解其在蛋白质序列与结构上的实现方式与生物安全用途。
NVIDIA 发布开源表格基础模型 Kumo Tabular,属于 Kumo Structured 模型集合,给定带标签的表格行即可在单次前向传播中预测新行标签,无需训练、调参和特征工程,覆盖分类与回归。
推荐理由:NVIDIA 开源表格基础模型,给出免训练免特征工程的做法与四个基准排名,可据此判断表格预测工作流的变化。
Anthropic Frontier Red Team 在内部 Binary Exploitation 基准的 100 个随机任务上评测多个模型,GLM-5.3 在 4% 的试验中实现完整控制流劫持,Claude Mythos Preview 为 6%。
AMD 宣布以约 82 亿美元全股票交易收购专注空间智能的初创公司 World Labs,交易预计在 2026 年底前完成,尚待监管批准。World Labs 创始人李飞飞将加入 AMD 领导团队,出任执行副总裁兼首席科学家,直接向 CEO 苏姿丰汇报并负责前沿研究。
推荐理由:这笔全股票收购把世界模型团队并入芯片厂商,读者可据此观察硬件与模型能力整合的新路径。
微软研究院发布 Quine,一个面向生物学复杂性的 AI 研究系统,由生物世界模型和连接模型、科学工具、文献与研究者的交互式 harness 两部分组成。该系统与 Broad Institute 合作用于胰腺导管腺癌研究,预测并优先排序数千种化合物,湿实验中排名最高的化合物产生了最大的 classical 到 basal 细胞状态转变,整个过程仅用一个周末完成。
推荐理由:微软研究院公开 Quine 的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。
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。
AMD 宣布以 82 亿美元收购 World Labs,后者专注理解物理世界的深度学习模型。World Labs 创始人李飞飞将加入 AMD 担任执行副总裁兼首席科学家,双方去年已建立推理优化与训练合作。交易预计在年底前完成,尚待监管批准。World Labs 首款产品 Marble 可用于制作娱乐体验,也可生成机器人训练所需的模拟环境。
推荐理由:这笔 82 亿美元收购把世界模型与芯片路线绑在一起,读者可据此理解 AMD 与 Nvidia 在 AI 硬件生态上的竞争走向。
AWS 发布跨账户自动化管理 Amazon Textract 适配器生命周期的方案,通过将适配器 ID 外置到 AWS Systems Manager Parameter Store,生产环境适配器引用更新无需重新部署应用,原本需数小时至数天的协调工作缩短至数秒。
AWS 发布基于 Amazon EKS、EFA 和 DeepEP 的 MoE 强化学习训练架构,吞吐量提升 40%。该方案针对 RLHF 和 GRPO 等大规模 RL 训练中 rollout 生成与策略训练的资源竞争问题,通过 DeepEP 优化 Expert Parallelism 在 EFA 上的 all-to-all 通信。
在 Amazon SageMaker HyperPod 上,用开源 RL 框架 SkyRL 对 Qwen3-VL-8B 视觉语言模型做 GRPO 后训练,在固定 64 个迷宫评测集上把解迷宫成功率从 43.75% 提升到 95% 以上。
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。
Anthropic 开设湿实验室之际,Endura Therapeutics 的 Adrian Sanborn 提出 AI 改造科研的两条路径:Foundries 用新一代测序、多重检测和物理自动化把实验数据产出提速一个数量级,Navigators 则用模型优化决策与流程,无需专有模型或大数据集。
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。
Radical Numerics 联合创始人兼 CEO Eric Nguyen 认为,能提升生物能力的模型同样能用于防御,当前防御方在这场 AI 军备竞赛中处于落后,但他主张继续推进前沿。
Google 的 Empirical Research Assistance(ERA)把可写成评分函数的科学问题交给 Gemini 自动搜索最优代码,用类似蒙特卡洛树搜索的 Upper Confidence Bound 规则挑选并变异实验 notebook,每次约十个变异,分支历史共享。
小米发布 MiMo-V2.6 系列开源全模态模型,其中 MiMo-V2.6-Pro 为 1.02T 总参数、42B 激活参数,Artificial Analysis 称其以 46 分登顶开源权重模型智能指数,输入输出价格分别为 $0.435/M 和 $0.87/M tokens,采用 MIT 许可。
推荐理由:小米首次进入前沿开源模型序列,其 RL 训练成本与开源环境细节提供了观察后训练路线的具体样本。
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。
MIT Technology Review 与 Times of San Diego 用 15 个月调查,绘制出首张美墨边境监控塔附近死亡事件综合地图与分析。
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。
Good Start Labs 将《1830》铁路桌游改造成 AI 训练环境,训练一个 30B 模型后,只有多轮终端智能体设计在 Finance-Agent 基准上取得提升,单轮问答设计未提升。该公司由 Alex Duffy 和 Tyler Marques 创立,去年从 Every 分拆,获 360 万美元融资,主张把环境当作课程来设计。
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。