Mistral AI 推出 Forge，一套让企业基于自有专有知识构建前沿级 AI 模型的系统，支持预训练、后训练和强化学习等阶段。Forge 支持 dense 与 MoE 两种架构，并可按需支持多模态输入，模型可在企业自有基础设施内训练和治理。该产品以 Agent 优先设计，Mistral Vibe 等自主智能体可用它微调模型、寻找最优超参数、调度任务并生成合成数据。
推荐理由：原文给出企业用自有数据训练前沿模型的产品定位与训练流程，可据此判断企业自建模型的落地路径。
Mistral AI 以创始成员身份加入 NVIDIA Nemotron Coalition，与 NVIDIA 共同开发前沿开源 AI 模型，并同期发布 Mistral Small 4。
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把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。
Google 宣布在 Flood Hub 上线城市山洪（Urban Flash Flood）预报，借助新的 AI 方法可在城市区域提前最多 24 小时预测山洪风险。
推荐理由：Google 把城市山洪预警从河流洪水扩展到 24 小时提前量，并给出与 NWS 同口径的精度对比，可看 AI 预警在缺测地区的落地边界。
Google 推出 Groundsource，一套用 Gemini 从非结构化新闻中提取历史灾害数据的方法，并发布首个开放数据集：覆盖 150 多个国家、2000 年至今的 260 万条城市山洪记录。
推荐理由：Google 用 Gemini 把 80 种语言的新闻报道转成结构化灾害数据，并给出人工核验的准确率，可据此判断这套方法能否迁移到其他数据稀缺领域。
Hugging Face 发布对 16 个开源异步强化学习训练库的调研，按编排原语、rollout 缓冲设计、权重同步协议、陈旧度管理、部分 rollout 处理、LoRA 支持和分布式训练后端七个维度进行对比。
推荐理由：基于 16 个开源库的横向对比，梳理异步 RL 训练在编排、权重同步与陈旧度管理上的七类设计取舍。
AlphaGo 成为首个击败围棋世界冠军的 AI 系统十周年，其“Move 37”展示了 AI 超越模仿人类、发现全新策略的能力。这一突破直接催生了 AlphaGo Zero、AlphaZero，以及破解蛋白质折叠难题的 AlphaFold 2，后者已向全球 3 百万研究人员免费开放 2 亿个蛋白质结构。
Hugging Face 发布教程，介绍 Snowflake AI Research 的 Ulysses 序列并行（ALST 协议的一部分）如何通过注意力头切分把长序列训练分散到多张 GPU，并已集成到 Accelerate、Transformers Trainer 和 TRL 的 SFTTrainer。
推荐理由：文章给出 Ulysses 序列并行在 Hugging Face 各组件中的接入方式与实测数据，可据此判断长上下文训练的显存与吞吐取舍。
Google Research 发布 WAXAL，一个面向撒哈拉以南非洲 27 种语言的大规模开放语音数据集，采用 CC-BY-4.0 许可。其中 WAXAL-ASR 包含约 1,846 小时转写自然语音，WAXAL-TTS 包含超过 565 小时高保真录音，数据采集由非洲高校与社区组织主导，覆盖 100 多万使用者。该数据集旨在支持低资源语言的语音识别与合成系统开发，并计划持续扩充语言种类。
推荐理由：Google Research 联合非洲高校发布 27 种语言的开放语音数据集，读者可了解低资源语言语音数据的采集方法与规模。
Google Research 提出"贝叶斯教学"方法，通过监督微调让 LLM 模仿贝叶斯模型的预测，从而学会按贝叶斯方式推理。在五轮模拟航班推荐任务中，未经训练的 LLM 表现显著逊于最优贝叶斯助手，且往往在单次交互后性能就停滞；而贝叶斯教学不仅提升该任务表现，还能泛化到其他任务。
Photoroom 在 Hugging Face 博客发布 PRX 系列第三篇，用 32 张 H200、约 1500 美元预算在 24 小时内训练出一个文生图扩散模型。
推荐理由：Photoroom 公开了 24 小时训练文生图模型的完整配方与代码，读者可据此复现并调整各组件。
Hugging Face 发文介绍 transformers 库为 Mixture of Experts（MoE）模型所做的工程改造，涵盖权重加载重构、专家后端与专家并行三部分。
推荐理由：Hugging Face 官方拆解 transformers 为 MoE 重构的加载、后端与并行方案，并给出 v4 与 v5 的实测对比。
Google Research 提出 MapTrace，一套用 Gemini 2.5 Pro 与 Imagen-4 自动生成地图寻路数据的合成流水线，并开源 200 万条问答对。
Google DeepMind 宣布与印度政府机构及本地机构建立 National Partnerships for AI 合作，向印度研究人员开放 AlphaGenome、AI Co-scientist 和 Earth AI 等前沿科学模型，并推出 3000 万美元的 Google.org Impact Challenge: AI for Science。
OpenAI 推出开源工具包 GABRIEL，借助 GPT 把定性文本和图像转化为定量数据，帮助社会科学家大规模分析研究。该工具面向社会科学研究场景，可扩展处理原本难以量化的文本与图像材料。
Google DeepMind 于 2025 年 8 月发布的 Perch 2.0 生物声学基础模型，虽仅用鸟类等陆生动物音频训练，却在鲸类发声分类等海洋任务中表现优异，多数数据集和样本量下位列第一或第二。
Hugging Face 发布 SyGra 2.0.0 的 Studio，一个把合成数据生成变成可视化流程的交互环境，画布上搭建的流程会自动生成 SyGra 兼容的图配置与任务执行脚本。
Google Research 提出 Sequential Attention，用贪心选择机制在单次训练中顺序、自适应地挑选最佳组件加入模型，避免传统贪心算法带来的数量级训练开销。该方法把子集选择直接嵌入模型训练，可处理大规模 ML 模型，并在多个神经网络基准上取得 SOTA，同时支持特征选择、嵌入维度调整与权重剪枝。
Hugging Face 发布系列第二篇博客，记录从零训练文生图基础模型 PRX 的训练设计经验，围绕表征对齐、训练目标、Token 路由与稀疏化、数据四类方法做消融实验。
OpenAI 构建了一个内部 AI 数据智能体，结合 GPT-5、Codex 和记忆能力对海量数据集进行推理，可在数分钟内给出可靠洞察。该智能体用于公司内部数据分析场景，核心在于用记忆机制支撑跨数据集的推理过程。
Google Research 提出 ATLAS 多语言缩放定律，基于 774 次训练运行、10M–8B 参数模型、400+ 语言数据，可指导模型规模、数据量与语言配比的选择。
中国开源模型近一年几乎一致转向 MoE 架构，Kimi K2、MiniMax M2、Qwen3 均属此类，目标是在成本可控下实现可持续部署。开源活动从文本扩展到多模态与智能体，StepFun 的 Step-Audio-R1.1 语音模型性能超越闭源模型，腾讯开源 Hunyuan Video 与 Hunyuan 3D。
Hugging Face 博客介绍阿联酋方言评测基准 Alyah，含 1,173 条由阿联酋母语者手工采集的样本，每题四选一。团队评测了 54 个语言模型（23 个基座、31 个指令微调），覆盖 Jais、Allam、Qwen、LLaMA、Fanar、AceGPT 等，基座模型中 google/gemma-3-27b-pt 以 74.68 准确率居首。
OpenAI 发布免费 LaTeX 原生工作空间 Prism，内置 GPT-5.2，帮助研究人员在同一处完成写作、协作与推理。
Google Research 在 NeurIPS 2025 提出 GIST（Greedy Independent Set Thresholding）算法，用于训练数据子集选择，在多样性与效用之间取得平衡。GIST 在图像分类等基准任务上超越 SOTA，并首次为该权衡提供可证明的近似保证：所选子集价值至少为最优解的一半。
微软 unilm 团队发布 Differential Transformer V2（DIFF V2），通过增加 query 头但保持 KV 头数量不变，使解码速度与标准 Transformer 持平，且不再需要自定义注意力核。
推荐理由：微软团队给出 DIFF V2 的注意力实现与消融对比，读者可据此判断差分注意力在解码速度与训练稳定性上的取舍。
Google 研究团队提出基于时序卷积网络（TCN）的多头深度学习模型，仅凭单只 Pixel Watch 的 IMU 信号和用户身高，即可直接估算步速、步长、摆动时间、支撑时间等多项步态指标。在 246 名参与者、约 7 万个步行片段的大规模验证中，手表估算在多数指标上达到 Pearson r >0.80、ICC >0.80，与 Pixel 6 手机估算无显著差异（p >0.05）。
Google Research 验证 Android Auto 采集的急刹车事件（HBE）与路段实际碰撞率存在显著正相关，可作为道路安全的先行指标。研究结合弗吉尼亚州和加州 10 年公开碰撞数据与匿名聚合 HBE 数据，发现观测到 HBE 的路段数量是报告碰撞路段的 18 倍。
Google Research 在 Science Advances 发表论文，介绍混合模型 NeuralGCM 直接以 NASA 2001 至 2018 年卫星降水观测训练其机器学习部分，而非依赖再分析数据。
推荐理由：NeuralGCM 改用卫星降水观测训练后，在 15 天预报和数十年气候模拟上均优于传统模型，可看混合建模路线的新进展。
伯克利 AI 研究团队提出一套基于互信息的成像系统评估与优化框架，仅用带噪测量和噪声模型即可量化测量对物体的区分能力，无需重建算法或任务专用解码器。该信息指标在彩色摄影、射电天文、无透镜成像和显微成像四个领域均能预测下游解码性能，优化后的设计可媲美 SOTA 端到端方法，且内存和算力需求更低。相关成果发表于 NeurIPS 2025 论文。
Hugging Face 发布 Falcon-H1-Arabic 阿拉伯语模型家族，含 3B、7B、34B 三个规模，采用 Mamba 与 Transformer 注意力并行的 Falcon-H1 混合架构。
Google Research 回顾 2025 年成果：Gemini 3 成为其最强、事实性最高的 LLM，在 SimpleQA Verified 和与 Google DeepMind、Kaggle 联合发布的新 FACTS 基准上达到 SOTA；Gemma 扩展至 140 多种语言。
Hugging Face 发布 Transformers v5，将 tokenizer 架构与训练词表分离，类似 PyTorch 把网络结构与权重分开，使 tokenizer 可检查、可定制、可从零训练。v5 提供清晰的类层级与单一快速后端，并保留 AutoTokenizer 自动选择正确 tokenizer 类的能力。
NVIDIA 发布 Nemotron 3 Nano 30B A3B，并公开其完整评测配方，基于开源库 NeMo Evaluator 构建，任何人可复跑评测流程并独立核查结果。
OpenAI 推出一个真实世界评估框架，用于衡量 AI 加速湿实验室生物研究的能力。该工作使用 GPT-5 优化分子克隆实验方案，同时探讨 AI 辅助实验的潜力与风险。
Hugging Face 发布教程，展示如何让 OpenAI Codex 借助 Hugging Face Skills 仓库完成端到端机器学习实验：验证数据集格式、选择硬件、生成并更新训练脚本、提交 Hugging Face Jobs、监控 Trackio 指标、评估 checkpoint 并生成训练报告。
推荐理由：原文给出 Codex 结合 HF Skills 完成端到端微调的完整流程与成本区间，可据此判断能否把训练实验交给编码智能体。
Google DeepMind 与英国政府深化合作，将向英国科学家优先开放 AlphaEvolve、AlphaGenome、AI co-scientist 和 WeatherNext 等"AI for Science"模型，并于 2026 年在英国建立其首个自动化实验室，专注材料科学研究。
Google DeepMind 联合 Kaggle 发布 FACTS Benchmark Suite，在原有 FACTS Grounding 基础上新增 Parametric、Search、Multimodal 三项基准，并将 Grounding 升级至 v2，共含 3,513 个公开样例。
Google Research 发布两篇论文，提出 Titans 架构与 MIRAS 理论框架，将 RNN 的速度与 Transformer 的精度结合，实现测试时记忆。
推荐理由：Google Research 提出 Titans 架构与 MIRAS 框架，用深度神经网络做长期记忆模块，在超长上下文任务上超过 GPT-4。
密歇根州立大学团队借助 AlphaFold 预测植物与嗜热藻类中光合作用关键酶 GLYK 的 3D 结构，发现植物版 GLYK 的三个柔性环在高温下会变形失稳。研究人员据此用藻类 GLYK 的刚性环替换植物中的不稳定环，构建出杂合酶，其中一个在高达 65 °C 下仍保持稳定，为培育耐热作物铺路。