微软研究院开源 Agent Lightning v1.0，一个约 3500 行代码的轻量级 Agentic RL 框架，提出 Harnessed Agentic RL 训练范式，让部署时使用的 agent harness 直接参与强化学习，无需在训练框架内重新实现 agent。
推荐理由：Agent Lightning v1.0 用约 3500 行代码实现完整 agent RL 控制面，并给出 SWE-bench Verified 上的训练增益数据。
Google Research 在 NBER 发布专利撰写三个月实地实验，将 Google Labs 未发布的 AI 专利写作助手（现属 Gemini Notebook）随机分配给 11 家律所的 133 名律师。
推荐理由：三个月专利撰写实地实验区分了AI带来的即时产出提升与无辅助判断力的变化，为理解AI对专业能力的影响提供了少见的长期证据。
英伟达团队从 Nemotron 3 出发，用 SFT、RL 和反馈驱动的推理流程，让模型在 IOI 2026 和 IMO 2026 均达到金牌水平。
推荐理由：原文公开了从 Nemotron 3 微调到 IOI、IMO 金牌级成绩的完整配方与数据集，可复用其训练与推理流程。
基于开源智能体系统 OpenClaw 与 Amazon Bedrock AgentCore 运行时，可搭建具备长期记忆的上下文感知 AI 助手，AgentCore memory 将一次性对话转为持久知识，并支持结构化元数据标签检索。
AWS 介绍如何通过 SageMaker Unified Studio 管理 SageMaker HyperPod 集群，在让 ML 团队从项目工作区提交训练任务的同时保留底层治理控制。
Google Research 以 Google Earth AI 的 Population Dynamics Foundation Model（PDFM）为概念验证，将自监督预训练的"地点"嵌入向量作为即插即用输入接入现有流行病学流程，无需任务特定微调。
Google Research 与全球卫生伙伴发布新研究论文，展示 Google Earth AI 如何结合环境信号、卫星影像、移动数据和 AlphaEarth Foundations、Population Dynamics Foundation Model（PDFM）等基础模型，并搭配地理空间推理智能体原型，帮助公共卫生团队预测疾病暴发。
推荐理由：Google 与 WHO 等机构用 Earth AI 在刚果（金）埃博拉疫情中实测地理空间推理智能体，展示公共卫生预测从被动响应转向主动预防的路径。
NVIDIA《State of AI in Telecommunications》报告显示，89% 受访者认为开源模型和软件对公司 AI 战略重要。NVIDIA 发布 300 亿参数的 Nemotron 3 Large Telco Model（LTM），由 AdaptKey 基于开源电信数据集微调，并开放完整微调流程。
NVIDIA Inception 计划中的多家初创公司正用 AI 覆盖乳腺癌筛查、风险评估与治疗规划环节。iSono Health 的 FDA 认证 ATUSA 可穿戴 3D 超声系统约两分钟完成单侧乳房扫描，灵敏度比手持 2D 超声高 28%；Whiterabbit.ai 的 WRDensity 已用于数十万患者；Ataraxis AI 则用病理切片预测治疗反应与复发风险。
Ai2 开源 AstaBrief 8B，一个把研究问题和检索到的文献片段转成带引用报告的模型，已作为 Asta 的 Fast 模式上线，并同步开放权重和训练数据。
推荐理由：原文公开了 AstaBrief 的训练数据构造与引用过滤细节，可供做科学报告生成的团队参考。
Google 宣布推出基于可信执行环境（TEE）的新一代联邦学习系统，通过远程可验证的 TEE 提供可审计的数据匿名化保证，并已用于 Gboard 的英语和日语下一词预测模型。
ServiceNow CoreAI 构建的 AutoSynthData 能把企业智能体的能力短板转化为训练数据：它利用目标模型的失败案例和更强教师的成功轨迹定位待学能力，再生成并校验新任务，课程随模型进步动态调整。该方法在 EnterpriseOps Gym 数据集上进行了演示，生成的任务需满足可行性、真实性和难度三项属性，并通过一致性、可靠性和完备性的验证器筛选。
NVIDIA 提出 AI 工厂投资回报由产出能力、使用寿命和需求三要素决定，其平台以每兆瓦吞吐量、硬件寿命和通用性同时优化这三项。SemiAnalysis AgentX 数据显示，Vera Rubin NVL72 每兆瓦吞吐量超 GB300 NVL72 的 30 倍，在 DeepSeek V4 Pro 上每百万 token 成本低至 45 倍。
NVIDIA 第 26 届研究生奖学金项目面向全球开放申请，聚焦 AI、机器学习、自动驾驶、计算机图形、机器人、医疗和高性能计算等领域，每位学生最高可获 6 万美元。
微软研究院开发了一套端到端机器学习流水线，利用 L1 太阳风观测和 AE、Dst 指数预报，结合各变电站纬度与地质电导率，为美国本土 66,935 座变电站生成 30-60 分钟前的局地空间天气风险估计。
Google DeepMind 发布 SynthID Bio，将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，在数字模型和合成出的实体蛋白质上均可验证，同时保持其生物功能。
推荐理由：DeepMind 把水印从数字内容延伸到合成生物，读者可了解其原理与生物安全筛查中的定位。
Google Research 发布 Diffusion Controller 框架，将扩散模型去噪过程重构为连续控制问题，通过轻量"转向阻尼器"网络在不改动基座模型权重的前提下调控生成轨迹。在 Stable Diffusion v1.4 上以 HPS-v2 评测，其完全解锁版本对基线模型取得 90% 胜率，并支持仅凭最终奖励分数进行微调，可作用于黑盒或灰盒的闭源模型。
微软研究院亚洲新加坡分院（MSRA – Singapore）作为微软在东南亚的首个研究实验室，成立一年来聚焦下一代 AI 模型与智能体系统、领域专用 AI、AI 原生研究实践及生态与人才培养四大方向。该实验室与新加坡医疗生态合作探索多模态医疗 AI 和自演化诊断智能体，并联合 EDB 于 2026 年 2 月举办物流与交通 AI 高管圆桌会。
微软研究院在 Nature 发表逆合成模型 RetroChimera，并开源其实现与权重。该模型由 Transformer 模型 R-SMILES 2 与 GNN 模型 NeuralLoc 组成，通过学习式集成与重排序融合两者互补优势。
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 多倍。
推荐理由：原文给出覆盖全基因组的预计算预测与免费入口，读者可了解变异解读工具链的可用范围。
微软研究院推出 GigaPath-Flash 和 GigaTIME-Flash，用蒸馏自原 GigaPath ViT-g 的 22M 参数 ViT-S 编码器替换原有骨干，并以 Apache 2.0 许可开源。
微软研究院发布深度学习 DFT 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 的 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，并正在集成进 Psi4、FHI-aims、ORCA 和 VASP，同时微软推出持续追踪各版本计算性能的 living benchmark。
Berkeley AI Research 提出 ABBEL 框架，将 LLM 的递归摘要隔离为自然语言"信念状态"并对其内容进行监督评分。在 CollabBench 协作编码任务上，采用基于重构的信念评分后，ABBEL 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 长度也显著低于全上下文设置。
UC Berkeley 的 Aditya G. Parameswaran 等人提出，随着推理成本从 2023 年初 GPT-4 级约 $30/百万 token 降至如今不到 $1、部分厂商低于 $0.10，数据系统需应对三大新挑战：为智能体设计的数据系统、运行智能体集群的数据系统、以及由智能体自行合成的数据系统。
字节 Seed 发布用于衡量真实世界环境学习的超长程评测集 EdgeBench，包含 134 个真实任务，横跨六大能力领域，Agent 在每个任务上可持续工作至少 12 小时。
推荐理由：字节 Seed 开源 EdgeBench 并给出环境学习曲线，读者可了解 Agent 长程学习如何被量化。
伯克利人工智能研究实验室（BAIR）公布 2026 届博士毕业生名单，其研究覆盖机器人、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 等方向。
伯克利 AI 研究团队提出梯度规划器 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，使基于学习动力学（世界模型）的长时程规划变得可行。该工作与 Mike Rabbat、Aditi Krishnapriyan、Yann LeCun、Amir Bar 合作完成。
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将交互搜索转化为稀疏恢复问题，ProxySPEX 进一步利用层级结构，以约 10 倍更少的消融实验达到 SPEX 的性能。
伯克利 AI 研究团队提出一种直接基于信息量评估和优化成像系统的框架，用互信息量化测量对物体的区分能力，并仅从含噪测量与噪声模型估计该指标。在 NeurIPS 2025 论文中，该方法在彩色摄影、射电天文、无透镜成像和显微成像四个领域预测了解码器性能，优化后的设计达到端到端方法水平，同时所需内存和算力更少，且无需任务专用解码器。