微软研究院：把物理 AI 推理卸载到边缘或云端可提升机器人性能与续航
微软研究院对移动操作机器人工作负载做了首次系统性测量，发现把物理 AI 推理从机器人本体 GPU 卸载到边缘或云端 GPU，可提升任务成功率、支持更大模型并延长续航。
推荐理由：微软研究院首次系统测量机器人本体推理的瓶颈，并给出可复用的 Kubernetes 卸载工具链，读者可据此判断物理 AI 的部署取舍。
全部AI 动态
全部动态
今日 0 条Microsoft Research精选AI 评分6060
OpenAI NewsAI 评分4040 OpenAI 推出 MentalHealthBench
OpenAI 发布 MentalHealthBench，一个由专家参与构建的基准，用于评估 AI 在真实心理健康对话中回复是否有帮助且安全。
Microsoft ResearchAI 评分5252 微软研究院在 Nature 发表 RetroChimera，提升小分子合成路线预测
微软研究院在 Nature 发表逆向合成模型 RetroChimera，它结合 Transformer 模型 R-SMILES 2 与图神经网络模型 NeuralLoc，通过学习式集成对两者预测排序。
Google DeepMind精选AI 评分7474 Google DeepMind 发布 AlphaGenome Atlas，覆盖人类基因组 90 亿个单字母变异预测
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：读者可了解 9 亿单核苷酸变异预测数据集的规模，以及 AVI 评分如何把编码与非编码区变异统一排序。
OpenAI NewsAI 评分2222 OpenAI 分享 AI 生成的 Navier–Stokes 千禧年大奖难题解答
OpenAI 分享了一份 AI 生成的 Navier–Stokes 千禧年大奖难题解答，包含一份书面说明和一份 Lean 形式化证明。
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，训练数据量为此前公开版本的 2.5 倍，在 GMTKN55 基准 55 个类别中的 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，同时推出持续追踪各版本计算性能的 living benchmark。
Microsoft ResearchAI 评分3838 MindTopo 基准揭示 VLM 空间推理能力短板
Microsoft Research 推出 MindTopo 基准，用于评测多模态大语言模型的拓扑推理能力，覆盖连通性、分离、顺序、包围与绳结五类拓扑关系，并区分静态推理与交互规划两个认知层级。
Microsoft ResearchAI 评分4242 微软研究院推出 CARE-X：面向临床可用的放射学 VLM，结合辅助监督、奖励对齐学习与工具增强测量
微软研究院发布研究模型 CARE-X，一个统一胸部 X 光视觉语言模型，可同时输出自由文本推理与结构化预测，覆盖报告生成、病变有无与否定、定位、多标签分类及导管位置检测等任务。
Microsoft Research精选AI 评分7171 微软研究院发布 Echoverse：为 computer-use 智能体构建深度演化环境
微软研究院提出 Echoverse，为 computer-use 智能体构建 12 个训练世界，包括 10 个深度领域世界和 2 个能力世界，每个世界都复现应用的真实行为并保持跨屏幕和用户的状态一致。
推荐理由：微软研究院公开了 Echoverse 的构建流程与训练数据，读者可据此了解高保真合成环境如何提升 computer-use 智能体能力。
Microsoft ResearchAI 评分5757 微软研究院发布 EvoLib：把推理经验转化为不断演进的知识库
微软研究院提出 EvoLib 框架，让大语言模型在推理阶段从自身经验中学习，无需真实标签或外部反馈，也无需更新模型参数，可应用于通过 API 部署的黑盒模型。EvoLib 把过往尝试提炼为可复用技能和反思性洞见，并通过整合与动态加权机制持续精炼、合并和重新加权知识单元，使其从单次经验走向更通用的知识。
Berkeley AI Research精选AI 评分6262 从 CUDA 到 MLX：K-Search 如何把内核优化经验带到 Apple Silicon
Berkeley AI Research 与 IBM Research 将 K-Search 进化式内核搜索框架扩展到 MLX，通过结构化 CUDA-to-MLX 翻译层把已有 CUDA 内核作为知识库，为 Apple Silicon 生成高质量内核。
推荐理由：展示了把 CUDA 内核优化经验结构化迁移到 Apple Silicon 的方法，并给出注意力与 Mamba 两类内核的实测对比。
Berkeley AI ResearchAI 评分3838 Berkeley AI Research 提出 ABBEL：用信念状态监督 LLM 长程交互中的上下文摘要
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，用受自编码器启发的重建式信念评分作为辅助 RL 任务。在协作编程基准 CollabBench 上，ABBEL-rec-BG 将相对全上下文模型的性能差距缩小约 50%，训练步数从 100 步降至 50 步，峰值上下文 token 数也显著低于全上下文设置。
Google DeepMind精选AI 评分6262 Google DeepMind 公布塞拉利昂 AI 教学试验结果
Google DeepMind 发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，相当于八周内取得约 1.2 至 1.7 年的常规学习进度。
推荐理由：塞拉利昂预注册试验给出了 Guided Learning 的量化增益与师生互动数据，可了解 AI 辅助教学的实际效果与局限。
Google DeepMind精选AI 评分6262 Google DeepMind 用 Co-Scientist 加速逆转细胞衰老的基因线索发现
Google DeepMind 介绍生物学家 Omar Abudayyeh 和 Jonathan Gootenberg 的实验室使用 Co-Scientist 加速衰老研究。
推荐理由：原文给出 Co-Scientist 在衰老研究中的具体产出与验证结果，可了解 AI 辅助科研从假设生成到数据分析的落地方式。
Google DeepMindAI 评分3636 Google Co-Scientist 加速肝病机制发现，提出 MASH 组合疗法新假设
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，提出 NLRP3 炎症小体是连接炎症与代谢的关键分子桥梁，该假设随后经实验验证。团队借此锁定值得关注的机制并筛选出候选组合疗法，以应对 MASH 潜在药物配对数量过多的问题。
Google DeepMindAI 评分3131 Google DeepMind Co-Scientist 如何连接两个实验室推进 ALS 研究
Google DeepMind 的 Co-Scientist 帮助 MIT 机械工程师 Ritu Raman 快速梳理 ALS 相关文献，将想法转化为可检验假设并按可行性与风险收益排序。
Google DeepMind精选AI 评分6060 斯坦福团队用 Co-Scientist 筛选肝纤维化药物，两候选成功阻断纤维化
斯坦福大学医学院遗传学家 Gary Peltz 团队在《Advanced Science》发表研究，测试 Google DeepMind 的 Co-Scientist 能否从已有药物文献中筛选出可重定位治疗肝纤维化的候选药物。
推荐理由：通过斯坦福团队用 Co-Scientist 筛选肝纤维化疗法的对照实验，展示 AI 候选药物在活细胞测试中的表现差异。
Google DeepMind精选AI 评分6262 Google DeepMind 发布 AI co-clinician 医疗研究计划
Google DeepMind 宣布 AI co-clinician 研究计划，探索 AI 智能体在医生临床监督下协助患者诊疗。在 98 个真实初级保健查询的盲评中，该系统 97 例无关键错误，医生对其回答的偏好高于主流证据综合工具；在 140 项问诊技能评估中，AI 在 68 项达到或超过初级保健医生水平，但专家医生在识别危险信号和指导关键体格检查上整体更优。
推荐理由：DeepMind 公开 AI co-clinician 研究，给出医生盲评与 140 项问诊能力对比数据，可了解医疗智能体当前边界。
Google DeepMind精选AI 评分6262 Google DeepMind 发布 Decoupled DiLoCo 分布式训练架构
Google DeepMind 发布 Decoupled DiLoCo 分布式训练架构，将大规模训练拆分为解耦的计算“岛屿”，岛屿间异步传输数据，从而隔离局部故障并降低带宽需求。
推荐理由：原文给出跨数据中心异步训练在带宽、容错和混合硬件上的实测结果，可据此判断分布式预训练的工程取舍。
Berkeley AI ResearchAI 评分4242 GRASP：面向世界模型长时程规划的梯度规划器
Berkeley AI Research 提出梯度规划器 GRASP，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。该方法针对长时程规划中计算图病态、非贪心结构导致局部极小值以及高维潜空间失效模式等问题，使基于梯度的长时程规划更加稳健。
Berkeley AI ResearchAI 评分3939 Berkeley AI Research 提出 SPEX 与 ProxySPEX，可在规模化下识别 LLM 关键交互
Berkeley AI Research 提出 SPEX 与 ProxySPEX 算法，用于在特征、数据和模型组件归因中识别 LLM 的关键交互。SPEX 利用稀疏性与低阶性将交互搜索转化为稀疏恢复问题，ProxySPEX 进一步利用层次结构，以约 10 倍更少的消融达到 SPEX 的性能。
Berkeley AI ResearchAI 评分3131 伯克利提出信息驱动成像系统设计框架，NeurIPS 2025 论文验证四大成像领域
伯克利 AI 研究团队提出一种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，无需任务专用解码器。该方法在彩色摄影、射电天文、无透镜成像和显微镜四个领域验证，信息估计能预测下游重建性能，优化后的设计达到端到端方法水平，且内存和算力需求更低。相关论文发表于 NeurIPS 2025。
Berkeley AI ResearchAI 评分3434 无需 TD 学习的强化学习：分治法实现长时程 off-policy RL
Berkeley AI Research 提出一种基于分治（divide and conquer）的 off-policy 强化学习算法，不依赖时序差分（TD）学习，可将 Bellman 递归次数从线性降为对数级，从而扩展到任意长时程任务。
Berkeley AI ResearchAI 评分2929 word2vec 究竟学到了什么：伯克利提出可闭式求解的学习理论
伯克利 AI 研究团队提出首个关于 word2vec 学习过程的定量预测理论，证明在现实训练条件下其学习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。