Google Research 与 Google DeepMind 提出 SensorFM，一个直接从无标注可穿戴数据学习的大型传感器基础模型，预训练语料为五百万名知情同意参与者、超一万亿分钟的多模态传感器信号，覆盖 100 多个国家、50 个美国州和 20 多款 Fitbit 与 Pixel Watch 设备。
推荐理由：Google 用五百万人的一万亿分钟传感器数据预训练通用可穿戴健康模型，读者可了解其自监督缺失感知设计与跨任务泛化表现。
UC Berkeley 团队提出，随着推理价格从 2023 年初 GPT-4 级约 $30/百万 token 降至如今不足 $1、部分低于 $0.10，数据系统需应对三大新挑战：为智能体设计（Data Systems For Agents）、运行智能体集群（Of Agents）、由智能体合成（By Agents）。
Hugging Face 发布 PRX 系列第四篇，详解其数据策略：预训练数据由公开与内部数据集混合组成，用 VLM 重新生成图像长描述，再转为可流式语料。团队用 Lance 构建、MDS 流式训练，图像统一编码为 JPEG quality 92，并将文本编码器从 T5Gemma 换成 Qwen3-VL、改为训练中实时计算文本 latent，实测吞吐仅损失约 3–4%。
Google Research 将建筑级屋顶反射率（albedo）数据集从 2024 年试点的 14 座城市扩展至 9 个国家 50+ 城市，并通过新的 Heat Resilience Earth Engine App 开放访问。
Google Research 发布 TabFM，一个面向表格数据分类与回归的零样本基础模型，将表格预测重构为上下文学习问题，无需手动训练、超参数调优和特征工程即可在单次前向传播中给出预测。
推荐理由：Google 把零样本思路从时序预测搬到表格数据，读者可了解其架构设计与 TabArena 基准表现。
OpenAI 发布 GeneBench-Pro，一个用复杂真实数据集测试 AI 在基因组学、生物学和科研领域表现的新基准。
Hugging Face 博客介绍 DiScoFormer（Density and Score Transformer），一个无需重训练、单次前向即可从数据点估计分布密度与 score 的模型。
NVIDIA 推出 ENPIRE 框架，让编码智能体自主完成真实机器人的策略改进闭环，在 PushT、整理插针、用切割器剪扎带等任务上达到 99% 成功率。系统由环境、策略改进、Rollout 和进化四个模块组成，每台工作站配 NVIDIA RTX 5090 与 I2RT 的 YAM 双臂。
Google Research 提出线性弹性缓存，将页面淘汰建模为滑雪租赁问题，用轻量机器学习动态调整缓存大小。在 Spanner 生产环境测试中，内存用量减少 15.5%，缓存未命中仅增加 5.5%，总拥有成本（TCO）降低约 5%，实际 I/O 成本影响仅 0.5%。该方案用浅层决策树预测页面 TTL，已在 Spanner 生产服务器集成数月。
NVIDIA 在 Hugging Face 博客发布开源库 NeMo AutoModel，基于 Transformers v5 构建，为 MoE 模型微调加入 Expert Parallelism、DeepEP 融合 all-to-all 调度和 TransformerEngine 内核。
推荐理由：原文给出 NeMo AutoModel 在 MoE 微调上的吞吐与显存对比，读者可据此判断是否值得替换现有训练栈。
Hugging Face 博客提出 MosaicLeaks，用 1001 条多跳研究链评测深度研究智能体的隐私泄漏，攻击者仅凭外部查询日志即可推断私有信息。测试中智能体频繁泄漏，且只优化任务表现会加剧泄漏；其提出的 PA-DR 强化学习方法将严格链成功率从 48.7% 提升至 58.7%，同时把答案/全信息泄漏从 34.0% 降至 9.9%。
Hugging Face 在 PEFT 库中对比了 40 多种参数高效微调技术，探讨 LoRA 是否真是最佳选择。统计显示，Hugging Face Hub 上提及单一 PEFT 技术的 20,834 个模型卡中有 20,509 个（98.4%）使用 LoRA，图像生成领域 10,000 个 checkpoint 中 95.0% 为 LoRA。
OpenAI 与 Molecule.one 展示了一个使用 GPT-5.4 的近自主 AI 化学家，改进了一项关键的药物合成反应，推进了药物化学研究。
推荐理由：OpenAI 与 Molecule.one 用 GPT-5.4 驱动的近自主 AI 化学家改进药物合成反应，可了解 AI 在化学研究中的落地方式。
OpenAI 发布 LifeSciBench，一个由专家撰写并评审的基准，用于评估 AI 系统处理真实生命科学研究任务与决策的能力。该基准聚焦现实科研场景中的任务与判断，而非通用问答。
Google Research 基于 Earth AI 的 RSF Vision-Transformer 骨干模型，发布英国高分辨率矢量数据集，将树篱、石墙、小树林等精细生态特征转为可操作清单。
Hugging Face 博客发布《Profiling in PyTorch》系列第二篇，用 nn.Linear 替换手写的 matmul-add，并堆叠三层加激活函数构成 MLP，在 NVIDIA A100-SXM4-80GB 上分析 profiler trace。
Google DeepMind 发布在塞拉利昂开展的预注册随机对照试验结果，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：原文给出塞拉利昂随机对照试验的量化结果与交互数据，可了解 AI 辅助教学在真实课堂中的效果边界。
Google Research 在 GitHub 上以 Apache 2.0 许可证开源其水文建模框架，供各国气象与水文机构将 AI 洪水预报整合进自身工作流。
推荐理由：Google 开源洪水预报水文框架，读者可了解其模型架构、训练流程与在 Delft-FEWS 中的集成方式。
DharmaOCR 团队将 Direct Preference Optimization（DPO）用于结构化 OCR 任务，把正确转录设为 chosen、重复退化循环设为 rejected，在 SFT 之后追加第二阶段训练，使所有测试模型家族的文本退化率平均下降 59.4%，最佳达 87.6%（Nanonets-OCR2–3B 从 1.61% 降至 0.20%）。
Hugging Face 博客指出，企业级 AI 规模化落地的关键不在 LLM 本身，而在智能体逻辑——即运行于智能体层、能引导 LLM 聚焦企业工作流的软件原语。
Import AI 459 探讨了 AI 监管的困难、蛋白质折叠模型的缩放定律以及 AI 系统灭绝风险的定价。弗吉尼亚大学、Anthropic 和加拿大银行的经济学家估算，2025 年美国 AI 名义 GDP 约 2500 亿美元，质量调整后实际年增速约 2600%，但这一增长在常规 GDP 统计中几乎不可见。
Hugging Face 发布 PyTorch 性能分析系列第一篇，讲解如何用 torch.profiler 分析矩阵乘法与加法。
Mistral 宣布将 Emmi AI 并入公司，推出面向工业工程的物理 AI 能力，作为其企业解决方案中的新基础能力。该能力从几何与边界条件直接预测完整物理场，单次前向推理在单 GPU 上以秒级完成，而非传统求解器所需的数小时到数周。
推荐理由：Mistral 把物理仿真模型并入企业平台，读者可据此判断工程仿真工作流会被怎样改写。
Mistral 收购 Emmi AI，并加倍投入面向航空航天、汽车、半导体和能源等实体产业的 Physics AI 基础研究。其已发布成果包括 AB-UPT，可在单张 GPU 上处理 9M 表面和 140M 体积网格的原始几何数据而无需重新网格化，以及首个大规模多物理过程端到端深度学习代理模型 NeuralDEM。
Hugging Face 在 TRL 中落地 Delta Weight Sync：只把 RL 优化器步之间真正变化的 bf16 权重编码成稀疏 safetensors 文件，上传到 Hugging Face Bucket，再由 vLLM 拉取应用。
推荐理由：TRL 把稀疏增量权重同步落到可 pip 安装的实现，读者可据此判断跨机房异步 RL 的部署成本变化。
Mistral AI 本周签署最终协议，收购 Physics AI 先驱 Emmi AI，以强化其作为工业企业 AI 转型伙伴的定位。Emmi AI 成立于奥地利，团队超过 30 名研究人员和工程师，其大型工程模型可把多日计算替换为实时仿真并构建数字孪生，团队将于 5 月加入 Mistral 的 Science 与 Applied AI 团队。
推荐理由：Mistral 通过收购补齐 Physics AI 能力，读者可了解其工业 AI 布局与科学路线图的具体落点。
Hugging Face 发布 OlmoEarth v1.1，通过将 Sentinel-2 多分辨率 token 合并为单一 token 缩短序列长度，在保持 v1 性能的同时将计算成本最多降低 3 倍。该系列包含 Base、Tiny 和 Nano 三个尺寸，权重与训练代码已开放，微调与推理速度显著提升，但部分任务存在性能回退。
Google 发布基于 Gemini 的科研工具 Empirical Research Assistance（ERA），可搜索文献、编写代码、组合方法并评估结果，相关成果已发表于 Nature。
推荐理由：Google 把 ERA 从 Nature 论文推进到可申请使用的工具，读者可据此判断科研编码自动化的落地节奏。
Import AI 457 聚焦三项研究：SentinelOne 拆解出约 20 年前的病毒 fast16.sys，它通过篡改 LS-DYNA 970、PKPM、MOHID 等高精度计算软件的内存结果来破坏工程与物理仿真。
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，并将其转化为可验证的假设。
爱丁堡大学团队用 Google DeepMind 的 Co-Scientist 研究 MASH 肝病，系统整合肝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。这一发现有望推动针对 MASH 的靶向联合疗法，并解释了药物 resmetirom 为何仅对少数符合条件的患者有效。
MIT 机械工程师 Ritu Raman 与波士顿儿童医院化学生物学家 Ryan Flynn 借助 Google DeepMind 的 Co-Scientist，将各自不同的研究工具结合用于 ALS 研究。
斯坦福大学医学院遗传学家 Gary Peltz 利用 Google DeepMind 的 Co-Scientist 筛选抗肝纤维化药物，其提出的 3 个候选药物中有 2 个在活体人类肝细胞测试中阻断纤维化并促进肝细胞再生，而 Peltz 自行挑选的 2 个药物均无效。其中癌症药物 vorinostat 阻断了 91% 可驱动肝硬化的损伤反应。相关研究已发表于 Advanced Science。
Hugging Face 发布两款基于 ModernBERT 的 Apache 2.0 多语言嵌入模型：97M 参数的 granite-embedding-97m-multilingual-r2 在 MTEB Multilingual Retrieval 上得分 60.3。
AWS 发布系列文章，解析基础模型训练与推理在 AWS 上的分层架构，涵盖加速计算、高带宽网络、分布式存储、资源编排与可观测性。
Jack Clark 在 Import AI 455 中判断，到 2028 年底出现无需人类参与、能自主训练出后继版本的 AI 研发的概率约为 60%，2027 年底的概率约为 30%。
Google Research 披露其开源工具与开放数据集已服务全球超 25 万名研究者和开发者。其中 DeepVariant、DeepConsensus、DeepPolisher 已支持处理 250 万人的外显子组和全基因组，MedGemma 等 HAI-DEF 模型下载量超 480 万次，Open Health Stack 已在 10 多个国家落地、覆盖超 6500 万受益者。
Google Research 介绍其 Empirical Research Assistance（ERA）在四个真实科研场景中的应用：公共卫生领域，团队每周向 CDC 的流感。
推荐理由：Google 用四个真实科研项目展示 ERA 在流行病预测、宇宙学、碳监测和神经科学中的落地方式，可了解 AI 辅助科研的具体边界。
IBM Granite 团队发布 Granite 4.1 系列稠密 decoder-only LLM（3B、8B、30B），基于约 15T token 的五阶段预训练流程，上下文窗口最长扩展至 512K token，并以 Apache 2.0 许可开源。
推荐理由：Granite 4.1 完整披露五阶段预训练、SFT 与多阶段 RL 的数据配比和训练配置，可对照其 8B 稠密模型追平 32B MoE 的结论。
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。