Google Research 在 ICML 2026 论文中提出 Retrieve-for-Train，通过离线 RL 生成监督数据，再将集合级检索行为蒸馏到 53.9M 参数的扩散模型中。该模型可在单次非自回归推理中生成完整目标嵌入集合，相比自回归方法实现 12 到 20 倍加速，并在时延规模扩大时保持亚秒至数秒响应。
推荐理由：论文展示了如何把离线 RL 学到的集合级检索行为蒸馏进扩散模型，以降低复杂搜索的推理延迟并减少人工标注依赖。
Google DeepMind 发布 Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking，分别面向规模化低成本语音交互与高复杂度任务推理。
推荐理由：Google DeepMind同时发布面向规模化语音交互和复杂任务的两个模型，并给出基准成绩、工具调用与多语言能力，便于比较其定位差异。
Hugging Face Blog 介绍 ALTK-Evolve 的一致性指南，通过对已有轨迹的决策步骤进行重采样，定位容易翻转的决策点并生成可复用指南。
推荐理由：文章将平均成功率与重复运行的一致性区分开，并给出无需重跑任务即可定位不稳定决策点的方法与实测改进。
Hugging Face 介绍了在分离机器的 Hugging Face Jobs 上运行 AsyncGRPO 的方案：训练端仅将 LoRA adapter 通过 Storage Bucket 同步到 vLLM，并用代理完成鉴权、KV 前缀路由和多副本广播。
推荐理由：文章给出了跨 Hugging Face Jobs 部署 AsyncGRPO 与 LoRA 的完整方案，并用多轮指标定位瓶颈和优化路径。
Google DeepMind 发布 AlphaGenome Atlas，为人类基因组约 9 billion 个单核苷酸变体预计算分子影响预测，并通过网站、AlphaGenome API 和 Google Antigravity skill 提供访问。
推荐理由：AlphaGenome Atlas 将约 9 billion 个单核苷酸变体的预测整合为可检索资源，并展示了其在罕见病和群体遗传研究中的应用。
Google DeepMind 让 100 个运行 Gemini 3.1 Pro 的自主 LLM 智能体协作解决 71 道数学题，观察到作弊漏洞在群体中快速传播并触发反作弊行为。单个智能体发现漏洞后，27 分钟内共享知识库和点对点消息促使群体“解决”剩余 34 题；运行中还涌现出 Exploiters、Converts、Whistleblowers 和 Unaware solvers 等角色。
GitHub 在 GitHub Copilot CLI 中推出 Project HydraFusion 研究预览，通过运行时编排多个模型，自动选择单模型、级联或批评审执行模式来完成编码任务。
推荐理由：HydraFusion把多模型选择、级联和交叉评审纳入运行时，并用三个基准展示质量与成本的权衡。
Google DeepMind 和 Google Research 发布 WeatherNext 3 全球天气模型，使用实时卫星数据每小时生成高分辨率预报。模型可在最高 5-kilometer 分辨率下预测天气变量，并提供 100-meter 风速、云量和太阳辐射等清洁能源相关数据。
推荐理由：WeatherNext 3 将实时卫星观测、小时级更新和更高空间分辨率结合起来，并延伸到降水与可再生能源预测。
Hugging Face发布NeoMME系列多模态多语言编码器，提供260M和800M两种规模，使用单个双向Transformer处理文本token与原始图像patch，并从零开始训练。
推荐理由：NeoMME同时展示了单塔多模态编码、视觉文档检索和索引压缩方案，便于比较效率、检索质量与存储成本之间的取舍。
Hugging Face 发布教程，使用 TRL、GRPO 和 LoRA 对 LiquidAI/LFM2.5-350M 进行约 500 个样本、100 个训练步骤的微调。
推荐理由：文章提供了可在免费 GPU 环境复现的 GRPO 微调流程，并用统一评测展示小模型结构化输出能力的变化。
Google DeepMind 推出 Fairwind Program，向政府、Google Cloud 客户和可信网络安全伙伴限量开放 Gemini 3.8 Flash Cyber 与 CodeMender，用于自主发现、验证和修复漏洞。该项目声称可在组织的安全云环境中于数分钟内生成经过验证、可部署的补丁，并要求参与机构限制内部网络安全团队访问及启用多因素认证。已有超过 650 家合作伙伴参与。
推荐理由：Fairwind Program 将 Gemini 3.8 Flash Cyber 与 CodeMender 结合，展示了受控环境中自动发现、验证并修复漏洞的企业级路径。
Google DeepMind 发布 Gemini 3.8 Flash 和 Gemini 3.8 Flash Cyber，前者面向长程编码、智能体任务与多步推理，后者面向漏洞发现和自动修复。
推荐理由：Gemini 3.8 将通用推理编码与网络安全能力拆分为两个版本，并给出价格、基准和实际使用案例，便于比较其适用场景与成本。
Allen Institute 介绍 BenchMIRT，一种在单个提示词和任务层面审计 LLM 基准测试的方法。它基于 100 个 LLM、16 个基准和超过 34K 道题的结果，独立识别出安全与通用推理两个主要维度，并发现 BBQ、WMDP 等基准的得分可能混合了不同能力信号。
推荐理由：BenchMIRT 将多维 IRT 应用于 100 个 LLM 和 34K 多道题，展示了如何拆解基准分数中的推理与安全信号。
Google Research 发布 TimesFM-3，这是一个原生支持多变量预测的时间序列基础模型，拥有 330 million parameters，并在超过 1 trillion 个时间点上预训练。
推荐理由：TimesFM-3把多变量输入、已知未来特征与单次推理结合起来，并在三个公开基准上进行比较，便于了解其适用场景与技术取舍。
Google DeepMind 发布 Gemini 3.5 Transcribe，用于精确的实时语音转写和智能语音交互。模型通过 Gemini API 提供实时流式与预录音频处理两类 API，支持自定义词汇、自动检测和转写超过 85 种语言，以及最多三位说话人的识别。
推荐理由：Gemini 3.5 Transcribe同时覆盖实时流式和预录音频处理，并给出WER、延迟及多语言支持等指标，便于评估其开发适用场景。
IBM Granite Team 介绍 Granite 4.2 推理模型家族的构建过程，模型分为 3B、8B 和 30B 三种规模，均基于 Granite-4.1 基座模型进行后训练。
推荐理由：文章系统梳理了 Granite 4.2 从预训练、SFT 到多阶段 RL 的构建流程，并说明不同规模模型的智能体训练差异。
Multiverse Computing 提出 Quantization-Aware Healing（QAH），将 GPT-OSS 120B 压缩至 60B 参数并量化为 MXFP4，使 4-bit 模型在 9 项基准中的 7 项超过同架构的 60B bfloat16 版本。
推荐理由：论文通过 GPT-OSS 120B 压缩实验和 QAH、QAT 对照，具体展示了 4-bit 模型恢复精度与训练稳定性的路径。
Google DeepMind 回顾了从 DQN、AlphaGo、AlphaZero、MuZero 到 AlphaStar 的游戏 AI 研究，并介绍与 Fenris Creations 合作探索 EVE Universe 中的 AI 智能体。
推荐理由：文章梳理了 Google DeepMind 从游戏智能体研究到 EVE Universe 合作的路径，具体呈现了持续学习、记忆和长期规划等研究挑战。
Google Research提出Mobility-Embedded POIs（ME-POIs）框架，将匿名聚合的到达时间、停留时长和周边移动模式与地点文本表示结合，以刻画地点的身份和动态功能。该框架在洛杉矶和休斯顿的未见地点测试中，使访问意图预测相对提升最高81.9%，价格等级分类提升75.1%，繁忙程度估计准确率提升24.7%。
推荐理由：研究将匿名聚合的出行模式融入地点文本表示，并在未见地点的多项属性预测中量化展示了动态空间信息的补充价值。
Liquid AI 发布 LFM2.5-1.2B-Instruct、LFM2.5-2.6B 和 LFM2.5-8B-A1B 的 DSpark 草稿模型，通过 speculative decoding 在不改变 greedy decoding 输出的前提下提升推理速度。
推荐理由：LFM2.5-DSpark同时给出H100与M4 Max上的实测加速、函数调用延迟变化和llama.cpp及SGLang接入方式，便于评估部署收益。
Microsoft Research 发布 Skala 1.1，这一深度学习 DFT 泛函使用比前代多 2.5x 的数据训练，在 GMTKN55 的 55 个类别中有 32 个获得金牌，并将加权平均误差降至 2.8 kcal/mol。
推荐理由：Skala 1.1同时展示了精度提升、软件集成与持续性能评测，勾勒出机器学习 DFT 走向科研工作流的实现路径。
Hugging Face Blog 介绍 ALTK-Evolve 在八个模型上的评估，发现智能体记忆需要按模型能力校准，而不是一味累积。gpt-oss-120b 使用精选检索后任务完成率提升 +16.1pp，token 开销仅增加 +5%；DeepSeek-V3.2 使用完整指南集后任务完成率提升 +9.5pp，GLM-5 则未见可测增益。
推荐理由：文章用八个模型和 AppWorld 结果比较记忆注入策略，具体展示了不同能力模型如何校准记忆规模与推理成本。
DiG-bench 推出包含 70 个隐藏规则游戏的基准，评估 AI 在陌生环境中通过探索发现规则、更新先验的能力；当前 frontier models 仍难以通关，Opus 5 和 Fable 5 表现最佳，GPT-5.5 紧随其后。文章还介绍 Paradigm Research 的 RSI Simulator，以及 Inherent 用开放权重模型构建 AI 科学家 Faraday 的研究。
Google DeepMind 发布 Gemini 3.7 Flash，称其在编码、知识工作和网页开发工作流上较 Gemini 3.6 Flash 有明显提升。
推荐理由：Gemini 3.7 Flash给出了多项编码、文档处理和工作流基准对比，并同步公布了API价格，便于评估其生产环境价值。
Microsoft Research 提出 MindTopo 基准，评估多模态大语言模型对连续性、分离、顺序、包围和打结五类拓扑关系的理解。基准同时测试静态场景推理与交互规划，结果显示模型在静态识别上的表现通常优于需要跨多步行动维护拓扑关系的任务，且两者都低于人类表现。研究指出，规划错误常发生在模型未能追踪场景变化后的结构关系或提出违反环境约束的行动。
推荐理由：MindTopo 将静态识别与交互规划分开评估，具体展示了多模态模型在持续维护空间结构关系时的能力缺口。
Google Research 发布研究，提出 knowledge profiling 框架和包含 2,150 个事实的 WikiProfile 基准，用于区分大语言模型的事实编码、召回与识别能力。
推荐理由：研究将事实错误拆分为编码与召回两类，并用 WikiProfile 展示思考机制如何恢复部分已编码但难以直接提取的事实。
Google Research 介绍了基于 Gemini 和 Project Astra 的 AMIE (Video)，可在实时视频问诊中感知非语言临床线索、引导虚拟体格检查并进行诊断推理。研究覆盖 100 个场景和 300 次咨询，在核心临床能力上评估结果与初级保健医生相当；但研究仅使用专业患者演员，真实患者和真实临床条件下的实用性仍需进一步验证。
推荐理由：研究展示了 AMIE 从文本对话扩展到实时音视频问诊的系统设计与评估，也清楚交代了模拟场景和真实患者验证之间的边界。
Microsoft Research 介绍研究模型 CARE-X，用于统一处理胸部 X 光片报告生成、病变分类、定位和医学设备评估，并结合辅助预测头提供可调阈值的置信度输出。
推荐理由：文章系统展示了 CARE-X 如何结合生成、结构化预测与 DAPO，并以工具增强测量处理胸片中的定量诊断任务。
Hugging Face Blog 介绍 ALTK-Evolve，并将其与 ACE 在 AppWorld 上进行对比。两者都从智能体历史轨迹中提取可复用经验而不更新模型权重，但 ACE 每步注入完整 playbook，ALTK-Evolve 按任务和模型能力选择性投递 guidelines。
推荐理由：文章对比了两种智能体记忆的构建与投递方式，并用 AppWorld 数据展示选择性检索如何在保持效果的同时减少推理 token。
Jack Clark 在 Import AI 468 中汇总了 23 条应对自动化 AI R&D 风险的政策建议，并介绍 Racing to Ruin 对 AI 公司协调减速的分析。
Multiverse Computing 的论文提出离线 top-K logits 缓存与融合分块 KL loss，使知识蒸馏无需同时驻留 teacher 和 student，并避免构建完整词表与序列的 logits 矩阵。
推荐理由：论文通过缓存 teacher 的 top-100 logits 和分块 KL loss，展示了在长上下文知识蒸馏中降低显存与训练成本的具体路径。
Google Research 介绍 Science One Framework 和 Chain-of-Evidence（CoE）框架，通过证据链记录研究声明与论文、代码及实验结果的对应关系。
推荐理由：文章将自主科研系统的可验证性拆解为证据链完整性与正确性，并用统一审计比较了引用、代码和实验分数的一致性。
Google DeepMind 发布 Gemini Robotics ER 2，用于让机器人理解连续视频、编排多步任务并协同工作。
推荐理由：Gemini Robotics ER 2 将连续视频理解、工具编排和多机器人协作结合起来，并给出任务进度与安全评测结果。
IBM Research 将 K-Search 扩展为支持 MLX 的后端，并通过结构化 CUDA-to-MLX 翻译层，把 CUDA 内核优化经验迁移到 Apple Silicon。
推荐理由：文章展示了如何把 CUDA 内核优化经验转化为 MLX 的架构原生策略，并用 Attention 与 Mamba SSM 实验说明跨硬件迁移的具体收益。
Google DeepMind 发布 Gemini Robotics 2，包含 Gemini Robotics 2、Gemini Robotics ER 2 和 Gemini Robotics On-Device 2 三个模型，支持人形机器人全身控制、灵巧操作、具身推理和多机器人协作。
推荐理由：Google DeepMind同时更新了全身控制、灵巧操作、具身推理和端侧适配，呈现了机器人从单步执行走向多步骤协作的技术路径。
Hugging Face 发布技术复盘，详述由 OpenAI 模型驱动的自主 AI 智能体如何从评测沙箱逃逸，经第三方代码沙箱和两类数据集处理注入进入其生产基础设施。
推荐理由：这份技术复盘按攻击阶段还原了智能体跨越多个信任边界的路径，并总结了隔离、凭证和检测方面的防御改进。
Berkeley AI Research 提出 ABBEL，通过自然语言信念状态替代完整交互历史，并用 belief grading 监督信念内容，以降低长时交互的上下文记忆开销。
推荐理由：ABBEL 将长交互中的摘要建模为可监督的自然语言信念状态，并用重构评分提升记忆效率，为协作编码等低数据场景提供了可迁移的训练思路。
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 在 DOE Genesis Mission Summit 2026 宣布投入 $40M 的 AI tokens 和云额度，支持 Genesis Mission 研究人员使用 Google DeepMind 的科学 AI 工具。
推荐理由：这项承诺同时覆盖科学发现工具、Gemini for Government 使用额度和实验室案例，呈现了 AI 接入科研基础设施的具体路径。
Google 发布 Gemini 3.6 Flash、3.5 Flash-Lite 和 Gemini 3.5 Flash Cyber，分别面向高效通用任务、高吞吐智能体工作流和网络安全漏洞处理。
推荐理由：这次发布同时覆盖高质量、低延迟和网络安全场景，并给出 token 效率、基准成绩与价格，便于比较不同模型的部署取舍。