Google Research 发布博客介绍三项研究，目标是让 AI 智能体不仅能提出假设和分析，还能在湿实验室中运行实验、从结果中学习并自我改进。VERID 框架是实验室工作单元的语义数字孪生，提供实时 3D 状态跟踪、快速虚拟试运行、硬件安全检查以及同步视频与操作日志，让智能体在接触试剂前先验证协议。
推荐理由：Google Research 公开了让 AI 智能体接入湿实验室物理环境的三项研究，读者可了解智能体做实验的落地路径与安全约束。
NVIDIA 联合 IIT Madras 的 AI4Bharat 发布 Nemotron-pretraining-Indic-v1，约 2.8 万亿 token，覆盖 22 种印度语言，其中 2601.0 亿为本地文字 token、224.6 亿为罗马化 token，计数使用 Gemma-4 tokenizer。
推荐理由：原文给出了语料规模、语言覆盖和可复用的生成流程，读者可据此判断如何构建自己的 Indic 预训练数据。
Google DeepMind 介绍其智能体开发平台 Google Antigravity 如何用于抗菌肽发现，把原本分散在多个数据库的检索压缩到一次会话中。平台借助 ProtNLM 模型从氨基酸序列预测生物功能，扫描 UniProt 中数百万条此前未表征的蛋白质，并找到一条对呼吸道感染相关病原体有预测活性的新型抗菌肽候选，目前正进行湿实验验证。
推荐理由：原文给出智能体科研工作台与 3D 结构查看器的具体用法，读者可了解生物学家如何把跨库检索压缩进单次会话。
Mistral 发布首个时间序列基础模型系列 Timestral，提供 5M、28M、123M 和 209M 四种参数规模，最大模型在 GIFT-Eval、TIME 和 fev-bench 三个公开基准上均排名第一，且参数量仅为前代 SOTA 的三分之二。
推荐理由：Mistral 首次把基础模型思路带到时间序列预测，给出四个尺寸与三项公开基准的对比结果，可据此判断小参数模型在企业预测场景的可用性。
NVIDIA 加入欧盟委员会在都柏林 AI in Science Summit 上启动的 AI in Science Enablers Initiative，为欧洲研究界提供加速工具、算力、技能培训与协作项目支持。
Google Research 在 Research@ 活动上公布 10 项进展，包括扩展 Google Earth AI 早期访问，开放地理空间分析、行星预测引擎和 agent-to-agent API 三项实验能力，并整合 Google Dataset Search 与 TimesFM。
Google 发布 Geospatial Reasoning 智能体的技术报告，在 CBGB、UnivEARTH 及新提出的 GeoExpertQueries、GeoKTools 四个基准上，对比了纯 LLM、基础工具、Earth AI 工具和带前置规划的完整智能体四种配置。
推荐理由：Google 公开了地理空间推理智能体的技术报告与两个新基准，并给出与 WHO 等机构的实测案例，可了解专用工具与前置规划对空间任务的作用。
Ai2 发布 HiRO-ACE 系统的新版本 HiRO-ACEv2，其新的降尺度模型 HiROv2 可同时预测多种高分辨率气象场，不再只限于降雨，并能更准确地还原极端降雨、风速和气压事件。
推荐理由：原文给出极端天气模拟的精度与成本对比，读者可据此判断高分辨率气候数据生成的新路径。
NVIDIA 宣布计划投资 Boltz、Foresight、Hiverge、Prima Mente 和 Riverlane 五家英国 AI 与量子初创公司，并作为 Global Alliance Founding Partner 加入 Earthshot Prize。
微软研究院推出 StudentSim，一个在真实学习者测试前评估和改进 AI 辅导系统的研究系统，它从公开的去标识化学习记录中为每位学生训练个性化 AI 学生模拟器。
作者借助 HuggingChat 中的 ML Intern，在几天内做出六个模型，包括 0.8B 的 Pocket Rewriter、柑橘病害 VLM、Huggy LoRA、相机角度 LoRA、Doodle-in LoRA 和 Agate 4-step 蒸馏模型，总计算花费约 103 美元。
推荐理由：作者用六个自建模型复盘了给 ML Intern 写提示词的方法，包括预算上限、基线和冒烟测试等可复用做法。
Google Research 与 NBER 发布一项为期三个月的专利撰写田野实验，将当时未发布的 Google Labs AI 专利写作助手（现属 Gemini Notebook）随机开放给 11 家知识产权律所的 133 名律师。
推荐理由：三个月专利撰写实验区分了AI辅助产出与无辅助判断力，为评估AI对专业能力的影响提供了可迁移的实验设计。
微软研究院开源 Agent Lightning v1.0，一个约 3500 行代码的轻量智能体强化学习框架，提出 Harnessed Agentic RL 范式，让部署时使用的同一套 agent harness 直接参与 RL 训练，无需在训练框架内重新实现智能体。
推荐理由：微软研究院开源 Agent Lightning v1.0，给出约 3500 行代码的智能体 RL 控制面与真实 harness 训练范式，可对照其 Kubernetes 调度与 Collocated Async RL 设计。
Google Research 提出将 Google Earth AI 的 Population Dynamics Foundation Model（PDFM）作为公共卫生新范式，把位置嵌入向量直接接入现有流行病学模型，无需任务特定微调。
微软研究院实习生开发了一套端到端机器学习系统，为美国本土 66,935 座变电站生成位置级空间天气风险预测，可提前 30 至 60 分钟预警。该系统结合太阳风观测、AE 与 Dst 指数预测、地质电导率及电网数据，评估期内对重大空间天气事件检出率近 80%，其中 Dst 预测在 62.2% 的峰值活动小时上优于 Burton 方程。
Google DeepMind 发布 SynthID Bio，将水印技术引入合成生物学，把不可感知的签名直接嵌入生物代码，在数字模型和合成出的实体蛋白质上均可验证，同时保持其生物功能。
推荐理由：原文给出了水印嵌入方式与湿实验验证结果，读者可据此判断生物设计溯源这一新方向的技术路径。
微软研究院推出 Quine，一个面向生物学复杂性的 AI 研究系统，由生物学世界模型和连接模型、科学工具、文献与实验人员的交互式 harness 两部分组成。该系统与 Broad Institute 合作用于胰腺导管腺癌研究，预测并排序数千种化合物，最高排名的化合物在湿实验中产生了最大的经典态向基底态转变，整个筛选与优先排序过程仅用一个周末。
推荐理由：微软研究院公开 Quine 的多模态世界模型设计与胰腺癌化合物筛选的湿实验验证结果，可了解 AI 参与生物实验设计的路径。
伯克利 AI 研究提出 ABBEL 框架，将 LLM 的交互摘要建模为自然语言"信念状态"，并通过信念评分（belief grading）监督其信息内容。在协作编程基准 CollabBench 上，采用通用重建式信念评分的 ABBEL-rec-BG 将相对全上下文模型的性能差距缩小约 50%，训练步数从 100 降至 50，峰值 token 长度也低于全上下文设置。
随着推理成本从 2023 年初 GPT-4 级约 $30/百万 tokens 降至如今不到 $1，部分厂商已低于 $0.10，基准测试显示推理价格每年下降 9x 至 900x、中位数约 50x，UC Berkeley EPIC Data Lab 提出数据系统面临三大新挑战：为智能体设计的数据系统、运行智能体集群的数据系统、以及由智能体合成数据系统。
伯克利 AI 研究团队梳理了并行推理领域进展，重点分析自适应并行推理——让模型自行决定何时分解并并行化独立子任务、生成多少并发线程以及如何协调。现有方法如自一致性、Best-of-N、Tree/Graph of Thoughts、MCTS 及 ParaThinker、GroupThink、Hogwild! Inference 等，其并行结构多由模型外部预先设定，未教会模型自适应行为。
伯克利 AI 研究团队提出 GRASP，一种面向学习动力学（世界模型）的梯度规划器，通过将轨迹提升为虚拟状态使优化在时间上并行、向状态迭代直接注入随机性以探索、并重塑梯度让动作获得清晰信号，从而让长视野规划变得可行。