Multiverse Computing 发布论文《Efficient Knowledge Distillation for LLMs: Offline Top-K Logits and a Fused Chunked KL Loss》，通过缓存教师模型每位置的 top-100 logits 做离线蒸馏，并把输出投影融合进分块 KL 损失计算，使峰值显存只随序列长度线性增长。
Google DeepMind 在 Nature 发表论文，称 WeatherNext AI 模型在气旋路径、强度和风场结构预测上达到 SOTA，平均可多提供一天预报时效，三天预报精度相当于此前模型的两天水平。
推荐理由：官方给出气旋路径与强度预测多出一天预警时间的评估结果，并同时开源模型与权重，可据此判断气象预报模型的可用边界。
微软研究院开源 Orchard，一个面向可扩展智能体 AI 研究的框架，核心是可在软件工程、网页导航和智能助手等任务间复用的 Orchard Env 环境服务，并支持直接在 Codex、OpenClaw、ZeroClaw 等真实部署 harness 中训练智能体。
推荐理由：微软研究院开源 Orchard 环境服务与三套训练配方，读者可了解小参数模型在真实 harness 内训练后能达到的智能体水平。
继模型质量之后，GPU 利用率正成为企业 AI 的下一个真实约束：GPU 成本按日历小时计（融资、折旧、电力、制冷），产出却只按计算小时计，而需求并非全天候。到 2026 年，连 Anthropic 都同时在 Amazon、Google、Microsoft 和 AMD 四家平台上做多吉瓦级承诺，Meta 也签下类似规模的多吉瓦协议，算力获取仍是活生生的战略约束。
Google 在 DOE Genesis Mission Summit 2026 上宣布，为支持 Genesis Mission 投入 4000 万美元的 AI tokens 和云额度。
Hugging Face 发布开源系统 Grabette，用手持夹爪在几分钟内录制操作任务，并自动转换为可训练的 LeRobot 数据集。Grabette 配备广角鱼眼相机与 RGBD 相机，硬件 BOM 成本约 490€，配套的机器人夹爪 Gripette 成本约 120€，硬件、采集软件、处理流程均已开源。
推荐理由：原文给出了一套低成本采集操作数据的完整开源方案，读者可以据此了解机器人学习数据瓶颈的另一种解法。
DharmaOCR 在葡萄牙语专用基准上得分 0.925，超过 Mistral OCR4 的 0.798 和 Unlimited-OCR 的 0.7587。该模型经葡萄牙语语料监督微调后，再用 DPO 提升推理稳定性、降低退化率。作者认为，把全部参数集中到单一语言领域，是其相对多语言模型的结构性优势。
Google Research 在 ICLR 2026 论文《On the Interpolation Effect of Score Smoothing in Diffusion Models》中解释了扩散模型的创造力从何而来：神经网络训练中的正则化会让学到的得分函数变得平滑，即"得分平滑"，使去噪过程在训练数据点之间产生插值，从而生成新样本。
UC Berkeley 的 Aditya G. Parameswaran 等提出近零推理成本下的三大数据系统挑战：为智能体服务的数据系统、由智能体运行的数据系统、以及由智能体合成的数据系统。GPT-4 级能力从 2023 年初约 $30/百万 token 降至如今不到 $1，部分厂商已低于 $0.10，推理价格年降幅在 9x 到 900x 之间，中位数约 50x。
Hugging Face 与 SkyPilot 联合发布集成，用户可用一个 hf:// URL 将 Hugging Face Bucket 或模型、数据集、Space 仓库挂载进 SkyPilot 任务，并在 20 多个云、Kubernetes 和本地集群上运行。
推荐理由：原文给出 hf:// 挂载方式与免费出网机制，读者可据此判断跨云训练工作流的存储成本变化。
Hugging Face 发布 PRX 系列第四篇，披露其数据策略：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。训练文本编码器换为 Qwen3-VL 并改为实时计算 latent，仅带来约 3–4% 吞吐损失；图像统一以 JPEG quality 92 编码。
Google Research 将建筑级屋顶反照率数据集从 2024 年试点的 14 座城市扩展至 50+ 全球城市，并同步上线高分辨率 Heat Resilience Earth Engine App。
Dharmam AI 解读 Goldfeder、Wyder、LeCun 与 Shwartz-Ziv 的 2026 年论文《AI Must Embrace Specialization via Superhuman Adaptable Intelligence》，指出专业化是有限资源下的必然结果。
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（ICL）问题，无需手动训练、超参数调优和特征工程，单次前向传播即可对未见过的表格生成预测。
推荐理由：TabFM 把零样本思路带到表格分类与回归，读者可据此了解免训练预测在企业数据场景的落地方式。
NVIDIA 研究者发布 ENPIRE，一套让真实机器人通过自动重置、策略改进、并行评估和进化四个模块自主迭代的智能体框架，在 PushT、整理销钉、剪断扎带等任务上达到 99% 成功率。
Google Research 在 COLM 2026 论文《Thinking to Recall》中提出，让 LLM 生成推理轨迹能解锁原本无法触及的参数化事实，且这一效应在简单单跳问题上同样成立。研究用 Gemini-2.5 Flash/Pro 和 Qwen3-32B 在 SimpleQA Verified、EntityQuestions 上对比推理开关，识别出计算缓冲与事实启动两种机制。
Google Research 发布矢量化数据集，把此前 Farmscapes 2020 中像素化的英国树篱、石墙和树丛转成可直接用于土地规划与碳核算的矢量清单。
Google Research 公布多项皮肤科 AI 研究，其中发表于 JAMA Dermatology 的大规模调查显示，2,345 名参与者借助 AI 工具猜测皮肤状况名称的准确率从对照组的 8% 提升至 23%，"Wizard of Oz"组为 36%。
加州大学圣地亚哥分校在 Google 支持下，将退役智能手机的主板拆出组成集群，部署一个由 2000 台 Pixel 手机搭建的数据中心，为数百名研究者与学生提供低成本、低碳的云计算。研究显示 25-50 台手机约等于一台现代服务器，20 台手机的小型集群已能支撑 75 人以上课程的评分负载，且延迟低于 AWS 默认后端。该系统预计 2026 年秋季全面上线。
伦敦国王学院、复旦大学与 Alan Turing Institute 构建了 SocioHack 基准，包含 72 个社会仿真环境，测试 AI 在信用卡积分、学校评分等场景中的"社会黑客"行为，RL 训练的 LLM 能以 61.25% 召回率和 90.85% 精确率重新发现历史上已被修补的规则漏洞。
Google Research 在 GitHub 上以 Apache 2.0 许可证开源其水文建模框架，让各国气象与水文机构能把 AI 洪水预报集成进自身工作流。
Import AI 459 期聚焦三项研究：美国 AI 经济规模 2025 年约 2500 亿美元，质量调整后年增速约 2,600%（弗吉尼亚大学、Anthropic 与加拿大银行合著论文）。
Google 公布一套面向私有分析的零信任聚合新方案，用新型密码学聚合协议保护用户数据，设备只需发送单条消息、无需多轮在线交互，Google 只能得到匿名化的群体聚合结果。该方案将密码学层与 TEE 结合，在硬件保护失效时数据仍不会被还原，并借助 TEE 远程证明向参与者验证协议按公开代码正确执行。
Mistral 已收购 Emmi AI，并将其工作纳入自身，专注为航空航天、汽车、半导体和能源等行业构建基础 Physics AI。双方此前发布的成果包括 AB-UPT——可在单张 GPU 上处理 900 万表面单元与 1.4 亿体积单元的原始几何、无需重新划分网格，以及首个端到端深度学习代理模型 NeuralDEM。
Mistral AI 宣布已就收购 Physics AI 公司 Emmi AI 达成最终协议，以强化其面向工业企业的 AI 转型能力。Emmi AI 成立于奥地利，专注 Physics AI 并开发大型工程模型，可实现实时仿真、替代多日计算并构建数字孪生；其 30 多名研究人员与工程师将在 5 月加入 Mistral 的 Science 与 Applied AI 团队。
推荐理由：Mistral 收购 Physics AI 公司 Emmi，说明其正把物理建模能力与工程工具接入纳入工业 AI 路线。
Google DeepMind 在亚太地区启动首个加速器计划，聚焦“AI for the Planet”，为期三个月，面向该地区初创公司、研究团队和非营利组织，用前沿 AI 解决自然、气候、农业、能源等问题。入选机构将获得专家指导、定制支持，以及 Google AI 专家协助把前沿 AI 和科学 AI 模型整合进其项目或产品。计划以在新加坡举办的线下训练营启动，现已开放注册意向。
Google DeepMind 的 Co-Scientist 帮助 Omar Abudayyeh 和 Jonathan Gootenberg 的实验室筛选逆转细胞衰老的基因靶点：它扫描数万篇论文并提出 20 多个新的候选遗传因子，实验室验证其中几个成功将细胞推向更年轻状态。Co-Scientist 还将原本长达六个月的筛选数据分析缩短至几天。
Import AI 457 聚焦三项研究：一款约 20 年前的 fast16.sys 病毒会篡改高精度计算软件结果，目标包括 LS-DYNA 970、PKPM 和 MOHID。
剑桥大学 Clare Bryant 教授用 Google DeepMind 的 Co-Scientist 研究流感等病原体跨物种传播引发败血症的分子机制。Co-Scientist 在未公开数据辅助下将候选靶点从蛋白质细化到具体氨基酸，团队正据此构建含氨基酸突变的细胞系验证假设。Bryant 称，原本需两到三年的精确氨基酸定位工作，若靶点正确，实验室有望在六个月内完成。
Google DeepMind 的 Co-Scientist 帮助斯坦福大学医学院遗传学家 Gary Peltz 筛选可老药新用治疗肝纤维化的药物。Peltz 自己挑选的两款候选药在活体人类肝细胞测试中无效，而 Co-Scientist 提出的三款候选药中有两款阻断了纤维化并促进肝细胞再生，其中癌症药物 vorinostat 阻断了 91% 可致肝疤痕的损伤反应。
Import AI 作者认为，到 2028 年底前出现"无需人类参与的 AI 研发"（能自主构建后继模型的 AI 系统）的概率超过 60%，但预计 2026 年内不会发生，一两年内或先看到非前沿模型端到端训练后继模型的概念验证。
Google Research 称其开源工具与开放数据集已支持全球逾 25 万名研究人员和开发者。其基因组学工具 DeepVariant、DeepConsensus、DeepPolisher 助力社区处理了 250 万人的外显子组与全基因组，医学基础模型 MedGemma 下载量超 480 万次。
Google Research 科学家正用 Empirical Research Assistance（ERA）开展真实科研：为流感、COVID-19 和 RSV 每周提交全美各州、最长提前四周的住院预测，在流感与 COVID-19 公开排行榜上处于或接近首位。
Google DeepMind 发布新论文提出 Decoupled DiLoCo 分布式训练架构，将大规模训练拆分为相互解耦的计算岛屿并以异步数据流连接，从而隔离局部硬件故障。
推荐理由：原文给出跨数据中心异步训练的低带宽与容错实测数据，读者可据此判断分布式预训练的工程可行边界。
Google Research 发布推理优先框架 Simula，将合成数据生成重构为机制设计问题，通过全局多样化、局部多样化、复杂化和 dual-critic 质量检查四个可控维度从零构建数据集，无需种子数据。
Google Research 提出神经元形态生成模型 MoGen，用点云流匹配生成合成神经元形状，加入 PATHFINDER 训练管线后使小鼠轴突重建错误率降低 4.4%，主要来自合并错误的减少。在完整小鼠脑规模下，这相当于节省 157 人年的手动校对。MoGen 已开源，论文将在 ICLR 2026 展示。
Google Research 用模拟器研究 AI 评测中「标注多少条目（N）」与「每条目标注多少人（K）」的权衡，发现常见的每条目 1、3、5 名标注者往往不够，反映人类观点细微差异常需每条目 10 名以上标注者。若只关心多数投票，增加条目更有效；若想捕捉观点分布，则必须增加标注者；在约 1000 条总标注的适度预算下，按指标选对比例即可获得高可复现结果。该模拟器已在 GitHub 开源。
Google Research 发布自监督框架 S2Vec，通过 S2 Geometry 分区将建筑、道路等建成环境特征栅格化为多层图像，再用掩码自编码（MAE）学习通用嵌入向量，可预测人口密度、房价、碳排放等指标。
Google Research 与多家 NHS 机构合作的 AIMS 研究在 Nature Cancer 发表两篇论文，评估 AI 用于乳腺癌筛查的效果。
推荐理由：两项 Nature Cancer 研究给出了 AI 参与乳腺癌筛查的检测率提升与阅片减负数据，并暴露人机仲裁的新问题。
Mistral AI 发布 Forge，一套让企业基于专有知识训练前沿级 AI 模型的系统。Forge 覆盖预训练、后训练和强化学习等模型生命周期阶段，支持 dense 与 MoE 架构及多模态输入，并可由 Mistral Vibe 等智能体用自然语言完成微调和调参。
推荐理由：原文给出企业用私有数据训练前沿模型的分阶段方案与多个行业落地场景，可据此判断企业自建模型的能力边界。