AMD 宣布以 82 亿美元收购 World Labs，后者专注理解物理现实的深度学习模型。World Labs 创始人李飞飞将加入 AMD 出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。World Labs 首款产品 Marble 可用于制作娱乐体验，也能为机器人训练生成模拟环境，交易预计在年底前完成，尚待监管批准。
推荐理由：这笔 8.2 亿美元收购把世界模型与芯片路线绑在一起，读者可据此观察 AMD 与 Nvidia 在 AI 芯片生态上的竞争走向。
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 CloudFormation 和 Terraform 模板实现适配器在多账户间的推广，并将适配器 ID 外置到 Systems Manager Parameter Store，使生产环境适配器引用更新无需重新部署应用，原本需数小时或数天的协调工作缩短至数秒。
AWS 介绍了一套在 Amazon EKS 上结合 EFA 与 DeepEP 加速 MoE 模型强化学习后训练（RLHF/GRPO）的架构，吞吐量提升 40%。该方案针对 rollout 生成与策略训练并行的异步 RL 负载，用 DeepEP 优化 Expert Parallelism 在 EFA 上的 all-to-all 通信，缓解跨节点带宽瓶颈。
AWS 展示在 Amazon SageMaker HyperPod 上用开源 RL 框架 SkyRL 训练 Qwen3-VL-8B 视觉语言模型走视觉迷宫，采用 GRPO 后训练，在固定 64 迷宫评测集上把解迷宫成功率从 43.75% 提升到 95% 以上。
NarrateAI 在 Amazon Bedrock 上通过五项技术实现约 99% 的数值准确率，并支持实时流式响应。这五项技术分别是自适应流水线编排、跨账户多模型故障转移、实时流式评估、复合评估框架和数据准确性验证，各自针对一类失败模式并协同工作。该方案已服务超过 4,000 名 AWS 高管，用于实时业务问答场景。
Amazon SageMaker HyperPod 搭配 Qumulo 的 Cloud Native Qumulo（CNQ）与 Cloud Data Fabric（CDF），可让训练计算与数据集分处不同 AWS Region 而无需复制数据。
语言模型让写代码和数据分析大幅提速，但科学研究的瓶颈仍是需数天到数周验证的物理实验，"思考变便宜了，动手没有"。生物技术行业由此分化出两类路径：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升一个数量级，Navigators 则用 AI 模型改进决策与流程，无需自研模型或海量数据。后者对早期初创公司最易落地，实验分析从一周缩短到一小时，原本六位数的软件授权变成一天自建。
NVIDIA 加入由 Google DeepMind、EMBL-EBI 等组成的联盟，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，并开源生成流程，读者可了解开放科学在疫情准备中的具体做法。
Latent Space 访谈 Radical Numerics 联合创始人兼 CEO Eric Nguyen，讨论生物安全为何是一场 AI 军备竞赛。Eric 在斯坦福期间参与开发 Evo 和 Evo 2 基因组语言模型，这些模型后来被 Arc/Stanford 团队用于生成完整噬菌体基因组并合成出功能性病毒。
Latent Space 访谈 Google 的 John Platt，介绍其团队提出的 Empirical Research Assistance（ERA）：把科学问题归约为可打分的任务，用 Gemini 维护实验 notebook 树，按 Upper Confidence Bound 规则挑选并变异，每次约十个候选，分支历史共享。
小米发布 MiMo-V2.6 系列，包含原生全模态模型 MiMo-V2.6-Pro 与 MiMo-V2.6-Flash，并推出输出速度最高提升 20 倍的 MiMo-V2.6-Pro-UltraSpeed。
推荐理由：小米 MiMo-V2.6-Pro 以 1T 总参数、42B 激活参数登顶开源权重榜，并公开 RL 环境与训练配方，可观察开源前沿模型的成本与透明度变化。
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。
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情况的综合地图与分析。
NVIDIA 在 MLPerf Inference v6.1 中首次提交 Vera Rubin NVL72 预览成绩，在 Qwen3-VL 上吞吐最高达 GB300 NVL72 的 3.7 倍，在 DeepSeek-R1 上最高达 2.5 倍。
推荐理由：MLPerf v6.1 成绩单给出 Vera Rubin 与 GB300 的吞吐、扩展效率和软件优化数据，可据此比较两代平台的推理经济性。
Hex 借助 GPT-6 Astra 让数据智能体把分析答案转化为可交互的可视化报告，供员工直接分享。
Salesforce 在 Dreamforce 上发布其首个 CRM 推理模型 Koa，该模型基于 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。
Good Start Labs 将《1830》铁路桌游改造成 AI 训练环境，用 30B 模型做实验：单轮问答和多轮终端智能体两种训练设计都提升了游戏内表现，但只有终端智能体设计在 Finance-Agent 基准上取得提升。该公司由 Alex Duffy 和 Tyler Marques 创立，从 Every 分拆并获得 360 万美元融资，主张把环境当作课程，通过强化学习环境教模型可验证的技能。
NVIDIA 在 AI Infra Summit 上介绍 DSX 平台，用于在固定电力预算内提升 AI 工厂的 token 吞吐。
推荐理由：NVIDIA 官方给出 DSX 各组件在真实部署中的量化结果，可据此判断固定电力预算下算力密度的提升空间。
NVIDIA 在 AI Infra Summit 上公布 Vera Rubin 系统与 DSX 平台的多项能效进展，提出以每兆瓦有效 token 数衡量 AI 基础设施。
推荐理由：NVIDIA 公布 Vera Rubin 与 DSX 平台在每兆瓦 token 产出上的多项实测数据，可据此判断 AI 工厂的能效与成本走向。
César de la Fuente 的实验室利用 Codex 和 ChatGPT，在现存与已灭绝生物的基因组中搜寻抗菌候选分子，以对抗耐药性感染。
OpenAI 宣布在 ChatGPT Work 中上线 Data agent，面向所有人开放。该功能可连接公司数据、发现洞察，并用自然语言让 AI 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：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。
Google DeepMind 与 Google Research 发布 WeatherNext 3，称其为目前最先进、最准确的全球天气模型，据 Brightband 的独立实时评测。
推荐理由：官方给出分辨率、更新频率与降水精度提升幅度，可据此判断 AI 天气预报在 Google 产品中的落地程度。
微软研究院发布 GigaPath-Flash 和 GigaTIME-Flash，将病理基础模型的计算需求大幅降低。GigaPath-Flash 采用 22M 参数的 ViT-S tile 编码器与 21M 参数的 LongNet slide 编码器，在 PANDA 和 EBRAINS 基准上以约 50 倍更少算力达到原版 GigaPath 3% 以内的性能。
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。
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。
Google DeepMind 发布 WeatherNext AI 模型，在气旋路径、强度和风场结构预测上达到 SOTA，平均多出一天预警时间，相当于气象领域约十年的进展。
推荐理由：原文给出气旋预报精度提升与开源权重，读者可据此判断 AI 天气模型的实际可用边界。
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。
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 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。
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、由智能体合成的数据系统。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。
伯克利人工智能研究实验室（BAIR）展示 2026 届博士毕业生，研究方向覆盖机器人、具身智能、大语言模型与推理、计算机视觉、生成建模、AI 安全、人机交互及 AI for science 与医疗。
Calico Life Sciences 的 Matt Onsum 与 Katherine Labbé 正使用 Google DeepMind 的 Co-Scientist 整合衰老生物学中零散的研究发现并生成可验证假设。
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 DeepMind 宣布与韩国科学技术信息通信部（MSIT）建立合作，将在首尔办公室设立 AI Campus，向韩国学界开放 AlphaEvolve、AlphaGenome、AlphaFold、AI co-scientist 和 WeatherNext 等前沿模型。
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 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 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。
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。
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。