Ataraxos在三周内以85%的有效胜率击败Stratego历史最成功棋手Niemeijer，结束了人类在这一高隐藏信息棋类中的优势。该系统使用16块Nvidia H100 GPU训练一周，另用4块GPU训练belief network，成本低于$8,000；研究团队还将代码公开，并在Barrage Stratego、Hanabi和Dou dizhu中报告了相关结果。
推荐理由：论文展示了Ataraxos在高隐藏信息博弈中的训练与搜索方法，并用训练成本和对弈结果说明其相较DeepNash的效率差异。
Google DeepMind 在 Nature 发表研究，提出 SynthIDBio，可在 ProteinMPNN 设计蛋白质时嵌入分布式水印，同时保持蛋白质与目标蛋白结合的功能。
推荐理由：论文展示了 SynthIDBio 如何在不损害蛋白质功能的前提下嵌入可检测水印，为筛查来源不明的 AI 设计蛋白提供了具体思路。
Google Research 提出 Diffusion Controller，将图像生成的去噪过程重新表述为连续控制问题，用轻量级控制网络调节生成轨迹。该框架支持灰盒和白盒场景，并通过 SFT、RWL 和 PPO 在 Stable Diffusion v1.4 上进行评估；其完全解锁版本相对基线模型取得了 90% 的胜率。
推荐理由：Diffusion Controller 将推理时引导与微调统一为连续控制框架，并展示了灰盒和白盒场景下兼顾偏好匹配与图像质量的实现路径。
Google Research 与 NASA JPL 合作提出 MAPL-EMIT，用基于 Swin-S Transformer 的深度学习框架分析 NASA EMIT 高光谱数据，自动完成甲烷增强量化、羽流分割和排放源定位。
推荐理由：论文展示了如何用深度学习处理 EMIT 高光谱数据，将甲烷羽流检测、范围分割与源头定位整合到可扩展的全球监测流程中。
Google Research 在 Nature 发表研究，展示一种利用量子纠错检测事件训练强化学习智能体、在计算持续进行时动态校准控制参数的方法。该方法在 Willow 超导处理器上使逻辑稳定性提高 3.5 倍，并在人工校准后进一步将逻辑错误率降低 20%；数值模拟显示，训练迭代次数与系统规模无关。
推荐理由：论文展示了强化学习如何利用量子纠错检测事件持续校准控制参数，并用 Willow 实验和大规模模拟检验其稳定性与扩展性。
Google Research 介绍发表于 ICLR 2026 的论文《On the Interpolation Effect of Score Smoothing in Diffusion Models》，指出扩散模型的“创造力”源于神经网络训练对 score function 的平滑作用。
Google Research 介绍 SensorFM，这一 Large Sensor Foundation Model 在五百万名参与者、超过一万亿分钟的多模态可穿戴传感器数据上预训练。
推荐理由：文章展示了 SensorFM 如何以大规模无标签可穿戴数据学习通用生理表征，并通过多任务评估和 Personal Health Agent 验证其适配价值。
Google DeepMind 介绍了研究人员如何使用 Co-Scientist 研究逆转细胞衰老的遗传因素。Co-Scientist 扫描数万篇论文，提出了 20 多个可测试的遗传因素，其中部分假设经实验验证可使细胞进入更年轻且整体功能改善的状态；它还将筛选数据结合文献的分析工作从最多六个月缩短至几天。
推荐理由：文章展示了 Co-Scientist 如何从文献中生成可测试的遗传因素，并将筛选数据分析从数月压缩到数天。
Stanford University School of Medicine 的 Gary Peltz 团队使用 Co-Scientist，从既有药物文献中提出三种肝纤维化候选药物，并与两种人工选药一同进行活体人类肝细胞实验。Co-Scientist 选出的三种药物中有两种阻断了纤维化并促进肝细胞再生，其中抗癌药 vorinostat 阻断了 91% 的相关损伤反应。
推荐理由：研究展示了 Co-Scientist 如何从既有药物文献中筛选候选，并通过人类肝细胞实验验证其发现。
Google DeepMind 提出 Decoupled DiLoCo，通过将训练拆分到彼此解耦的计算岛并异步传输数据，降低跨数据中心训练的带宽依赖并隔离硬件故障。
推荐理由：Decoupled DiLoCo 将异步训练、容错和跨地域低带宽连接结合起来，展示了分布式预训练如何利用异构及闲置算力。
Google Research 介绍 TurboQuant，以及配套的 QJL 和 PolarQuant 压缩算法，用于降低 LLM 的 KV cache 和高维向量搜索的内存开销。
推荐理由：文章系统介绍了 TurboQuant、QJL 和 PolarQuant 的压缩机制与实验结果，展示其在 KV cache 和向量搜索中的内存与速度收益。