UC Berkeley 团队发文指出，推理成本正以每年约 50 倍的中位数速度下降，智能体即将成为数据系统的主要工作负载。文章提出数据系统面临的三大挑战：为智能体设计（支持智能体式推测查询）、由智能体管理（多智能体共享状态与协调）、由智能体合成（按工作负载自动生成定制数据系统），并展望两者边界将逐渐模糊。
推荐理由：文章从推理成本骤降出发，梳理了数据系统为智能体服务、由智能体管理、由智能体合成的三条研究路线，适合想把握数据系统与智能体融合方向的人。
Photoroom 发布 PRX 系列第四篇博客，详解其图像生成模型 PRX 的预训练数据策略。数据管线混合公开与内部数据集，用 VLM 重写长标题，以 Lance 构建、MDS 流式训练，并采用 JPEG 质量 92 存储、感知哈希去重和基于标题的轻量过滤。作者对比了多个标题生成模型，最终选用 Qwen3-VL-8B，并分享了碎片化、跳过列表等工程经验。
推荐理由：Photoroom 公开了 PRX 图像模型预训练数据管线的完整设计，从数据源、重写标题到去重过滤，读者可据此复现或改进自己的数据流程。
Google Research 发布覆盖 50+ 城市、9 个国家的建筑级屋顶反照率数据集，并上线 Heat Resilience Earth Engine App 供公众使用。
推荐理由：原文给出了数据覆盖范围、精度验证和开放入口，读者可以据此判断这类建筑级反照率数据对城市热缓解规划的实际可用性。
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、调参和特征工程。模型采用交替行列注意力、行压缩和 ICL 混合架构，完全在数亿个合成数据集上训练，在 TabArena 基准上覆盖 38 个分类和 13 个回归数据集。
推荐理由：原文给出了模型架构、训练方式和在 TabArena 上的评测结果，读者可据此判断零样本表格预测的实际能力。
Google Research 发布向量化数据集，将英格兰的树篱、石墙和小林地等细粒度生态特征从像素地图转化为可操作的清单，供土地所有者与保护机构测量和扩展这些特征。该数据集基于预训练于 3 亿张卫星图像的 ViT 模型微调，并用 Polsby-Popper 紧致度评分对几何形状分类，通过 Google Earth Engine 并行处理覆盖超 13 万平方公里的区域。
Google Research 在 AISTATS 2026 提出 Regularized f-Divergence Kernel Tests，用于更灵敏、灵活、准确地审计机器学习模型的“遗忘”效果。该框架通过相对距离测试和自适应超参数选择，理论上可控制任意样本量下的假阳性，并随样本增加将假阴性风险收敛至零。实验涵盖合成基准与高能物理数据集 Expo1D 异常检测任务。
Google Research 在 Nature 发表论文，介绍被动心率监测系统 PHRM，利用手机前置摄像头在面部解锁后拍摄视频，通过深度学习估计心率，MAPE 小于 10%，并估算每日静息心率，MAE 小于 5 bpm，准确度达到可穿戴设备水平。
推荐理由：原文给出了PHRM系统的技术路线、跨肤色准确率数据和公开数据集，读者可据此评估被动心率监测的可行性与局限。
Google Research 在 GitHub 上以 Apache 2.0 协议开源其水文建模框架，该框架基于 PyTorch 和 LSTM 架构，使用 Caravan 数据集训练，可复现 Google Flood Hub 的河流洪水预报能力。新版模型在基准测试中比旧版将可靠预测期延长六天（有水文站流域）和一天（无水文站流域），并已与捷克水文气象研究所合作集成到 Delft-FEWS 平台。
推荐理由：原文给出了模型架构、训练数据和基准提升，读者可据此评估将 AI 洪水预报接入本地工作流的可行性。
Google 研究团队提出一种零信任聚合方案，用于端侧 AI 的隐私保护分析。该方案结合新型格基密码协议与可信执行环境（TEE），支持单次消息提交，无需设备长时间在线，并确保 Google 只能获得匿名聚合结果。Android SafetyCore 将采用该方案评估安全模型效果，同时保证用户内容仅存于设备端。
推荐理由：原文给出了一种结合密码学与TEE的多层防护设计，读者可据此理解零信任聚合如何兼顾效率与隐私。
Mistral 宣布推出物理 AI，将 Emmi AI 纳入其企业解决方案，用于 AI 原生工业工程。物理 AI 从求解器输出中学习，在单张 GPU 上数秒内完成正向预测，适用于航空航天、汽车、半导体、能源等领域，并与 ASML、Airbus、Safran、Siemens Energy 等伙伴合作。传统求解器仍用于验证和边缘情况。
推荐理由：原文解释了物理 AI 与传统求解器的分工，以及它在产品设计、制造和数字孪生上的加速价值，可据此判断其适用场景。
Mistral 收购 Emmi AI，专注为航空航天、汽车、半导体和能源等行业构建基础物理 AI。相关成果包括用于跨声速 3D 机翼 CFD 模拟的约 30,000 个样本数据集、AB-UPT 模型（单 GPU 可处理 9M 表面和 140M 体积单元），以及 NeuralDEM 等实时工业过程仿真工具。
Google 在 Nature 发表论文介绍其科研工具 ERA，该工具基于 Gemini 编写和优化科学代码，采用树搜索在基因组学、公共卫生、卫星影像、神经科学、时序预测和数学等基准上达到专家级表现。
推荐理由：原文给出了 ERA 在 Nature 的论文、跨学科基准表现以及 Computational Discovery 的开放入口，读者可据此判断它对科研工作流的影响。
生物学家 Omar Abudayyeh 和 Jonathan Gootenberg 借助 Google DeepMind 的 Co-Scientist 加速衰老研究。该工具扫描数万篇论文并提出 20 多个可测试的基因因子，其中部分经实验验证能驱动细胞进入更年轻状态。它还将筛选数据的文献分析时间从最长六个月缩短至几天。
Google 推出 Gemini for Science，包含 Hypothesis Generation、Computational Discovery、Literature Insights 三个实验工具，以及集成 30 多个生命科学数据库的 Science Skills，可在 Google Antigravity 上使用。
推荐理由：原文给出了三个实验工具和 Science Skills 的能力构成与开放入口，读者可据此判断这些工具对科研流程的实际作用。
剑桥大学 Clare Bryant 教授团队利用 Google DeepMind 的 Co-Scientist 工具，寻找病原体跨物种传播时引发人类严重疾病（如败血症）的分子开关。该工具从候选蛋白逐步锁定到具体氨基酸，团队据此构建含氨基酸突变的细胞系进行验证。Bryant 表示，这类工作通常需两到三年实验，如今有望在六个月内完成。
Calico Life Sciences 的 AI/ML 负责人 Matt Onsum 和首席科学家 Katherine Labbé 正使用 Co-Scientist 梳理衰老生物学中分散的研究发现，并将其转化为值得检验的假说。
爱丁堡大学研究员 Filippo Menolascina 用 Co-Scientist 梳理文献并生成新假设，以应对 MASH 肝病中药物组合爆炸的难题。该系统综合肝脏生物学与药理学证据，指出值得关注的机制并筛选出候选联合疗法。在一例验证中，Co-Scientist 将 NLRP3 炎症小体定位为连接炎症与代谢的分子桥梁，该假设已获实验证实，或为靶向双药疗法铺路。
Google Research 通过开源软件和开放数据集推动科学突破，其工具已赋能全球超过 25 万研究人员和开发者。相关成果包括处理 250 万例全外显子组和全基因组、Open Buildings 含 18 亿建筑检测、HAI-DEF 下载超 480 万次，并与 UCSC 合作将基因变异识别错误率降低 50%。
Google 发布博客介绍其研究科学家使用 Empirical Research Assistance（ERA）的四种方式。ERA 是 Google 在 9 月发布的预印本中提出的工具，用于帮助科学家生成专家级实证软件。
推荐理由：原文展示了 ERA 在流行病预测、宇宙学、气候监测和神经科学四个领域的实际应用，读者可据此评估 AI 辅助科研工具的落地效果。
Google DeepMind 发布新论文，提出 Decoupled DiLoCo 分布式训练架构，将训练拆分为解耦的计算孤岛，通过异步数据流隔离局部故障，使系统在硬件故障时仍能保持高可用性。实测中，该架构用 2-5 Gbps 带宽在四个美国区域成功训练了 120 亿参数模型，速度比传统同步方法快 20 倍以上，并支持混用 TPU v6e 和 TPU v5p 等不同代际硬件。
推荐理由：原文给出了跨数据中心训练的新架构及其在带宽、容错和硬件混用上的实测结果，读者可据此评估分布式训练的新路径。
Google Research 在 TMLR 发表论文，提出推理优先的合成数据生成框架 Simula，将数据生成分解为全局多样化、局部多样化、复杂化和质量检查四个可控轴，并引入基于推理的评测指标。
推荐理由：原文把合成数据生成重构为机制设计问题，并给出可独立控制的四个轴，读者可据此评估这类方法在生产场景的适用边界。
Google Research 开发 MoGen 模型，用合成神经元形状改进 AI 重建模型 PATHFINDER，将重建误差降低 4.4%，主要来自合并错误率下降。在完整小鼠脑尺度上，这一改进相当于节省 157 人年的手动校对工作量。MoGen 已作为开源模型发布，并训练了斑胸草雀和果蝇神经元版本。
Google Research 推出 ConvApparel，一个包含超 4,000 段人机多轮对话（近 15,000 轮）的服装购物领域数据集，用于量化 LLM 用户模拟器的真实感差距。
Google Research 发表论文《Forest vs Tree: The (N, K) Trade-off in Reproducible ML Evaluation》，研究可复现机器学习评测中条目数与每条目评分人数之间的权衡。
推荐理由：原文用真实数据集模拟了标注预算在条目数与每条目评分人数之间的最优分配，读者可据此重新评估自己评测数据的标注策略。
Google Research 推出 S2Vec，一个用于学习建成环境通用嵌入向量的自监督框架。它通过 S2 Geometry 分区和特征栅格化将地理数据转化为多层图像，再用掩码自编码（MAE）学习位置特征，无需人工标注即可预测人口密度、收入等社会经济指标。评测中，S2Vec 在零样本地理泛化任务上表现最佳，与图像嵌入融合后效果更优。
Google Research 在 The Check Up 活动上发布多项医疗 AI 突破。与 Fitbit 的研究显示，模拟协作健康团队的个人健康智能体（PHA）比单任务应用更能支持长期健康；与帝国理工学院及英国 NHS 合作发表于 Nature Cancer 的研究中，AI 系统识别出 25% 此前漏诊的“间期癌”。
Mistral AI 发布 Forge，一套让企业基于内部专有知识训练前沿级 AI 模型的系统，覆盖预训练、后训练和强化学习等全生命周期。Forge 支持稠密与 MoE 架构及多模态输入，并已与 ASML、欧洲航天局等机构合作。其设计以智能体优先，允许像 Mistral Vibe 这样的自主智能体用自然语言微调模型、调参和生成合成数据，同时保留企业对模型、数据和知识产权的控制。
Berkeley AI Research 提出 SPEX 与 ProxySPEX 算法，用于在大规模场景下识别 LLM 中的关键交互。SPEX 利用稀疏性和低阶性将搜索问题转化为稀疏恢复问题，在数千特征规模下保持高忠实度；ProxySPEX 进一步利用层级结构，以约 10 倍更少的消融次数达到与 SPEX 相当的性能。
Google 发布 Groundsource，一种利用 Gemini 将非结构化全球新闻转化为可验证历史数据的方法，并开放首个城市山洪数据集，包含 260 万条记录、覆盖 150 多个国家。该方法通过分类、时间推理和空间定位提取事件，人工复核中 82% 的事件在位置和时间上达到实用精度，并已用于 Google Flood Hub 的提前 24 小时城市山洪预报。
推荐理由：原文给出了方法原理、数据规模与验证结果，读者可据此判断该数据对洪涝预测研究的可用价值。
Google Research 发布 WAXAL，一个开放获取的非洲语言语音数据集，初始覆盖 27 种撒哈拉以南非洲语言，包含约 1,846 小时 ASR 转写语音和超过 565 小时 TTS 高保真录音，采用 CC-BY-4.0 许可。数据由非洲学术和社区组织主导收集，旨在赋能区域 AI 生态，构建更贴合当地语言多样性的语音系统。
推荐理由：原文给出了数据规模、许可方式和合作模式，读者可以据此判断它如何缓解非洲语言语音数据稀缺问题。
Mistral 发布 OCR 3，在表单、扫描件、复杂表格和手写内容上对 OCR 2 取得 74% 综合胜率，支持输出带 HTML 表格结构的 markdown。定价为每 1000 页 2 美元，Batch API 五折后降至 1 美元，模型 mistral-ocr-2512 已通过 API 和 Mistral AI Studio 的 Document AI Playground 开放使用。
推荐理由：原文给出了 OCR 3 相对上一代的性能提升、定价与开放入口，读者可据此评估其在文档解析管线中的适用性。
一项新研究首次为 word2vec 提供了定量预测理论，证明在现实训练条件下，其学习问题可简化为无权重最小二乘矩阵分解，最终学到的表示由 PCA 给出。从随机小初始化训练时，word2vec 按离散步骤依次学习正交线性子空间，每个特征对应可解释的主题概念，且这些特征可闭式求解为特定矩阵的特征向量。
Mistral AI 与 Carbone 4、ADEME 合作，发布了首个 AI 模型全生命周期分析（LCA），量化 LLM 开发与使用的环境影响。
推荐理由：原文给出了 Mistral Large 2 训练与推理的完整环境足迹数据，读者可据此对照其他模型的环境成本。