AI如何帮助护理团队让患者更早获得正确的治疗
Dyania Health的Synapsis AI临床推理引擎会读取患者病历中的每一条记录、报告和化验结果，将相隔数年的发现关联起来，标记出哪些患者需要关注以及原因，且每个信号都可追溯到来源。它运行在医疗系统自身防火墙内由NVIDIA加速的计算环境中，因此患者数据永远不会离开医院。克利夫兰诊所使用它审查了2005年至2021年间超过7,800名主动脉瓣置换患者的病历，并构建了一个预测模型，用于评估三年、五年和十年时瓣膜恶化和再干预风险。
#数据/训练
NVIDIA NewsroomAI 评分2222 Databricks BlogAI 评分3636 Bright Machines 借助 Debezium 和 Iceberg，为气隙隔离工厂的客户提供实时仪表盘
Bright Machines 现在无需开放任何入站访问，即可为客户提供来自气隙隔离工厂的实时、受治理的工厂数据仪表盘。它在边缘侧用 Debezium 捕获 PostgreSQL 变更，将其写为 Apache Iceberg，通过一条可审计的出站路径推送出去，并在 Databricks 中通过 Unity Catalog 联合就地读取。首个客户可见的仪表盘在上线启动约两个月后投入使用，已提交的行可在一到两分钟内查询，仪表盘每十分钟刷新一次。
Microsoft ResearchAI 评分2222 微软研究院焦点版第98期：AI翻译、KLS猜想证明与更快的编码智能体
微软研究院焦点版第98期重点介绍了AI进展使通用翻译更接近现实，以及一项新证明解决了高维几何中悬置31年的KLS猜想。本期还涵盖CompactionBench和APEC，它们将编码智能体的上下文压缩成本最多降低25.4%，执行时间缩短9.6%，以及Latent Core Tokenizer，它在104种语言上改进了分词。
Databricks BlogAI 评分3030 Databricks 澄清关于 Lakebase 架构的四个 LTAP 误区
Databricks 回应了对 LTAP 的四种常见误读。LTAP 是 Lakebase 架构，它让同一份受治理的运营数据副本同时服务于 Postgres 和分析，无需 CDC。文章认为 LTAP 不是复制：湖前端的各层是缓存，而不是一个拥有自己目录的第二个数据库。文章还表示，堆页面和 Parquet 是同一批行的两种无损编码，因此点查询和扫描各自读取对其而言快速的布局。
AWS Machine Learning BlogAI 评分3838 规模化 Token 经济：使用 CUR 2.0 和 AWS Budgets 按 IAM 主体跟踪并限制 Amazon Bedrock 支出
AWS 展示了如何仅使用原生功能按 IAM 主体跟踪并限制 Amazon Bedrock 生成式 AI 支出：Bedrock 会在每次推理请求时自动记录 IAM 用户或角色，这些标签会成为成本分配标签，可在 Cost Explorer 或 CUR 2.0 导出中读取。一个限定于 Bedrock 并按某个身份或标签值筛选的 AWS Budget 可以附加预算操作，在超过阈值后应用 Deny IAM 策略，常见场景下无需应用代码。
Hugging Face Blog精选AI 评分6969 IBM 发布基于 Granite 4.1 3B 和 8B 构建的 LLMON 预览模型
IBM 发布了两款实验性预览模型 granite-4.1-3b-LLMON-preview 和 granite-4.1-8b-LLMON-preview，它们基于 Granite 4.1 基础检查点衍生，经过训练能够读取和生成 LLMON——一种 LLM 原生标记语言，用保留的特殊 token 分隔符来标记指令、数据和需求。在 OPI 基准上，这些模型比测试中表现最好的前沿模型多规避了 47% 的间接提示注入攻击，比最好的开源模型多规避了 95%，同时在标准基准上的表现与 Granite 4.1 Instruct 相当。此次发布包含一个 GitHub 工具包，提供无损的 JSON 到 LLMON 转换器，作者指出该预览版仅供探索，不适用于生产环境。
推荐理由：IBM 在 Granite 4.1 上训练出能读写 LLMON 标记的预览模型，通过显式的指令与数据分离，将 OPI 基准上的间接提示注入成功率压到接近零，同时保持通用能力。
Databricks BlogAI 评分2222 Constellation 如何在 Databricks 上构建受治理的数据基础
Constellation 是美国最大的核电机组运营商，正在 Databricks 上构建一个受治理的企业数据平台，以便为业务提供统一的数据含义。该平台使用 Unity Catalog 实现数据血缘、细粒度访问和单一权限模型，并对关键的可复用实体采用 Data Vault 建模。早期用例包括使用 Databricks Genie 构建的核工程助手以及停堆计划。
Databricks BlogAI 评分2525 Eclipse Aerospace 使用 Databricks PySpark 自定义数据源进行飞行数据摄取
Eclipse Aerospace 正在使用 Databricks PySpark 自定义数据源摄取近 20 年的专有飞行数据，超过 3TB，涵盖逾一百万飞行小时，且无需常开专用计算资源。这个由 Rust 支持的 Python 包在基准测试中的性能是基于 PyArrow 的类似纯 Python 数据源的两倍，几乎是不使用 Arrow 的原生 Python 实现的 20 倍。该 API 在 Apache Spark 4.0 中引入，并在 Databricks Runtime 15.4 LTS 中可用，取代了此前的 Lambda-to-Avro 管道。
Databricks BlogAI 评分2222 H6.ai 如何借助 Lakebase Postgres 构建 AI 驱动的财务自动化
H6.ai 在客户现有 ERP 之上实现应付账款自动化，为每个客户使用专属的 Lakebase Postgres 数据库作为记录系统。由于发票数据持续变化，团队使用 Lakebase 的写时复制分支来冻结客户数据库快照，并在各自独立的短生命周期分支上运行每项回归测试，因此绝不会写入生产数据库。每次运行由确定性断言以及来自不同模型提供商的 AI 评审团共同评判。
Databricks BlogAI 评分5858 Databricks 推出 Lakehouse//RT，无需成本成比例增长即可提供实时分析
Databricks 推出 Lakehouse//RT，这是一个实时分析引擎，可直接在湖仓数据上运行高并发工作负载，目前已进入测试阶段。该公司表示，它能在每秒 12,000 次查询下实现低于 100 毫秒的延迟，每次增加一个节点来扩容，并避免单独的 serving 层；客户 Aurasell、VisionHeight 和 nOps 报告称，从多集群设置、Apache Pinot 和 Apache Druid 迁移后，基础设施成本降低了 6 到 10 倍。
Meta Newsroom · AIAI 评分1818 Meta签署长期采购协议，采购低碳水泥、钢材、货运及再生塑料
Meta已签署一系列长期采购承诺，涵盖水泥、钢材、货运和再生塑料，旨在推动其数据中心供应链中的清洁制造实现商业化规模。这些交易包括从Sublime Systems采购至少18万吨低碳水泥、从瑞典Stegra采购近零排放钢材、与Nevoya扩大在加利福尼亚州和亚利桑那州I-10沿线的零排放货运路线，以及与MacroCycle Technologies每年采购5000吨再生PET。
Hugging Face BlogAI 评分3636 Hugging Face 发布 TRELLIS.2 3D 生成微调指南与脚本
Hugging Face 发布了 TRELLIS.2 的微调脚本和容器，该模型是一个 3D 生成模型，可在本地或 Hugging Face Jobs 上运行。该指南通过 PEFT 库使用 LoRA 适配器，仅作用于稀疏结构流 DiT 和形状流 DiT，材质阶段保持冻结。在 GSO 数据集的 188 个物体鞋类子集上，预训练模型经常渲染出错误的鞋底，这正是 LoRA 微调所针对的问题。
AWS Machine Learning BlogAI 评分4646 在 Amazon SageMaker HyperPod 上检测并恢复静默数据损坏
在 Amazon SageMaker HyperPod 上运行的 PyTorch DDP 训练循环新增了三项检查，用于捕获静默数据损坏：非有限梯度检查、跨节点比较 loss 位与梯度指纹的环形重放审计，以及优化器步骤后的权重指纹比较。在 4 台 ml.p5.48xlarge 实例（32 块 NVIDIA H100 GPU）上通过软件注入故障进行测试，这些检查能指出可疑的 rank、将其映射到节点，并让 HyperPod 替换该节点并从检查点恢复。
AWS Machine Learning BlogAI 评分1212 AWS re:Invent 2026 AI/ML 专场：参会者指南
AWS 将于 11 月 30 日至 12 月 4 日举办年度 re:Invent 大会，AI/ML 专场在超过 2,000 场学习会议中提供 140 多场独立会议。该指南将会议对应到 AWS AI 技术栈，涵盖 AI 芯片（AWS Trainium 和 NVIDIA GPU）、Amazon Bedrock 和 SageMaker AI 上的模型与推理，以及使用 Amazon Bedrock AgentCore 的智能体开发。会议从新手内容到技术深度解析进行组织，许多会议可点播观看。
Google ResearchAI 评分5858 Google Research 利用可穿戴设备构建 CKM 风险画像与个性化指导
Google Research 推出一个研究性框架，可将消费级可穿戴设备数据转化为可指导的健康年龄，并模拟个性化的 12 周“假设”健康轨迹。SensorWM 世界模型基于约 10 万名用户、共 228 万人周的匿名 Fitbit 数据进行预训练，可在不同步数、睡眠和有氧运动习惯下预测 20 项生理指标。在一项盲测研究中，生活方式教练在 71.4% 的评估中选择以反事实为依据的方案为整体最佳，医生评定 99.2% 的方案处于安全运动强度范围内；作者指出这些模型是研究原型，而非临床诊断工具。
Meta Engineering BlogAI 评分4040 Meta 智能投放：为广告排序分配算力的机器学习系统
Meta 详细介绍了 Intelligent Delivery，这是一个由机器学习驱动的系统，它在广告服务栈中分配算力，以趋向系统级最优，在 2017 年至 2026 年上半年间模型与系统进步的基础上，贡献了约 10% 的增量排序性能。其 Resource Core Model 使用 6B 稀疏参数和 20M 稠密参数来预测每个请求的边际效用，Meta 称其在离线基准测试中将高影响力广告请求的识别率提升了约 20%。该系统还依赖多层分配机制和日益智能体化的 AI，以适应模型和硬件的变化。
Google DeepMind精选AI 评分7272 DeepMind 发布 AlphaGenome 2，一种预测特定细胞类型中变异效应的 DNA 模型
Google DeepMind 宣布推出 AlphaGenome 2，这是一款下一代 DNA 序列模型，可预测 DNA 序列及其变异如何影响特定的人类细胞类型。该条件模型基于 68 种组织中超过 1.07 亿个单细胞图谱训练，识别出的改变表达的变异数量几乎是上一模型的两倍；在 TenK10K 免疫细胞数据集上，它找回了 30% 的因果变异，而原始 AlphaGenome 在单细胞数据上微调后仅找回 16%。该模型可通过 AlphaGenome API 用于非商业研究，并以私有预览形式开放商业研究使用。
推荐理由：AlphaGenome 2 从批量组织平均值转向单细胞条件化，在免疫细胞数据上将因果变异召回率大约翻倍，这对于将 GWAS 信号与特定细胞类型关联起来具有重要意义。
Hugging Face BlogAI 评分4141 使用 Sentence Transformers 对多向量嵌入模型进行池化感知训练
Hugging Face 展示了池化感知训练如何在固定存储预算下提升多向量嵌入模型的检索质量。在 pool_factor=4 时，常规训练的模型保留了其未池化 NanoBEIR nDCG@10 的 94.6%，同时将文档向量减少到四分之一，而池化感知训练将这一保留率提升至 97.8%。文章详细介绍了 HierarchicalTokenPooling、预算校准以及一个可复现的 Sentence Transformers 示例。
inclusionAI ModelsAI 评分4040 inclusionAI 发布 ZoomGain-9B 和 ZoomGain-4B 模型，附带 ZoomGainBench 与 RL 训练数据
inclusionAI 发布了 ZoomGain-9B 和 ZoomGain-4B 视觉语言模型检查点，以及 ZoomGainBench 评估基准和 ZoomGain RL 训练数据。ZoomGain 挖掘从全局到放大的感知差距，以构建细粒度视觉监督，ZoomGain-9B 在多个细粒度和通用感知基准上取得了更优表现。ZoomGainBench 包含覆盖 941 张图像的 1,000 个问题，而 RL 数据集包含 9,000 条训练记录和 7,713 张源图像。
inclusionAI ModelsAI 评分3838 inclusionAI 发布 ZoomGain-4B 和 ZoomGain-9B，并附带 ZoomGainBench 与 RL 训练数据
inclusionAI 发布了 arXiv 论文、ZoomGainBench 评估基准、RL 训练数据集以及 ZoomGain-4B/ZoomGain-9B 模型检查点。28 个模型中表现最佳者在 ZoomGainBench 上得分 61.08，而 ZoomGain-9B 在多个细粒度和通用感知基准上达到了更优性能。ZoomGain 挖掘从全局到放大的感知差距，为视觉语言模型构建细粒度视觉监督。
Microsoft Research精选AI 评分7575 微软研究人员描述Lazarus：一种重编程AI智能体中休眠神经元后门的攻击
微软研究人员描述了一种名为Lazarus的后门技术，该技术通过重编程大语言模型中不到10个休眠神经元，使基于该模型构建的智能体在出现隐藏触发条件时执行攻击者指令，且无需重新训练。被修改的模型仍能通过标准评估，在触发前表现正常，触发条件可以简单到只是日期变更，随后智能体会以被授予的权限运行下载的代码。作者表示，检测需要与原始权重进行差异比对，而Microsoft Foundry已将开放权重模型与其发布者绑定并扫描其容器，同时红队测试框架、基于智能体的权重扫描以及具有防篡改来源证明的签名模型正在开发中。
推荐理由：微软研究人员表明，重编程不到10个休眠神经元即可在无需重新训练的情况下对大语言模型智能体植入后门，这使得权重来源与完整性成为一项实际的安全要求。
Amazon Science精选AI 评分6262 Amazon 发布 Mitra-v2 表格基础模型，采用规模化合成预训练
Amazon 推出 Mitra-v2，这是用于分类和回归的第二代表格基础模型，随附微调模型以及推理和微调代码，以 Apache-2.0 许可证在 Hugging Face 上发布。它使用合成表格进行预训练，行数是 Mitra-v1 的 10 倍，列数约为其 3 倍，采用新的混合 SCM 先验和混合优化器，同时保持 Transformer 架构不变。在包含 51 个真实世界数据集的公开基准 TabArena 上，Mitra-v2 在单模型领域领先，在两者均原生运行的 33 个数据集中的 32 个上优于 Mitra-v1，并在 1 小时预算内完成全部 51 个数据集；微调后的 Mitra-v2 还在 ScoringBench 上排名第一。
推荐理由：Mitra-v2 表明，扩大合成预训练数据而非加深网络，能将表格基础模型提升至 TabArena 单模型领域的首位。
Apple Machine Learning ResearchAI 评分3434 用于高效长上下文检索的加权状态汤
Apple 研究人员与哈佛合作者提出加权状态汤（weighted state souping），该方法学习依赖查询的权重，用于重新组合缓存的 SSM 状态编码，从而提升单跳和多跳文档问答、大海捞针检索、变量跟踪和工具使用等长上下文任务的表现。一种稀疏变体在上下文长度方面实现了近乎恒定的编码成本，同时保持或有时提升性能。该论文已被 NeurIPS 2026 的 PALM 研讨会接收。
Apple Machine Learning ResearchAI 评分3838 苹果研究：门控机制解释了为何SSM会记忆而非进行上下文学习
一项由苹果和哈佛开展的研究表明，状态空间模型（SSM）中的门控机制会使其首先学到一个权重内的“记忆”解，从而延迟甚至阻止其收敛到正确的上下文学习。即使架构和记忆容量并未施加根本性限制，这种情况依然会发生。不过，门控通常能改善对长序列长度的泛化能力。
Apple Machine Learning ResearchAI 评分3131 Apple 研究评估 LLM 评判器用于个性化写作风格评估
Apple 研究人员测试了 LLM 评判器在评估生成文本是否符合用户偏好写作风格方面的表现，使用四个 LLM 在三个长文本写作任务中生成文本，并将评判器标注与人类成对标签进行比较。评判器质量与 LLM 在 MMLU 上的通用能力仅呈弱相关（Pearson's ρ ≤ 0.2），且因写作任务和评估标准而异，成对比较比独立评分更一致。最强的 LLM 并未最可靠地复现人类评估，可能是由于对细微细节的敏感度被夸大。
Google ResearchAI 评分2525 谷歌语言探索器将世界语言多样性可视化
谷歌推出了语言探索器（Language Explorer），这是一个交互式网络平台，让研究人员、教育工作者和语言爱好者能够发现并可视化数千种语言的多样性。该平台是谷歌“1000种语言计划”的一部分，基于开源数据集 LinguaMeta 构建，并在本周于柏林通信博物馆开幕的新展览中展出。谷歌翻译目前支持近250种语言，而 Gboard 覆盖900多种语言变体。
Goodfire Research精选AI 评分6262 Goodfire 研究 Qwen3.6-35B-A3B 神经元，视其为可解释的基础
Goodfire Research 发表研究，认为 Qwen3.6-35B-A3B 中的单个 MLP 神经元比通常假设的更可解释，依据是稀疏化、归因工具和研究智能体。每次前向传播中消融最弱的 92.2% MoE 神经元激活，语言模型损失仅上升 2.9%；69% 的神经元极点有一个单一模式贡献了至少 90% 的因果效应。自然语言神经元描述让评判模型在随机文本上以 95% 准确率预测激活，并通过模拟恢复 73% 的消融损伤。
推荐理由：Goodfire 对 Qwen3.6-35B-A3B 神经元的研究认为，仅强激活就承载了模型的大部分计算，为特征字典可解释性提供了具体替代方案。
Hugging Face BlogAI 评分3838 NVIDIA 与 Elith 发布 Nemotron-Personas-Finance-Japan 合成数据集
Elith 与 NVIDIA 发布了 Nemotron-Personas-Finance-Japan，这是一个基于官方政府统计数据构建的日本金融行业开放合成人物数据集。它包含 50 个领域的 900 万个人物（100 万条记录 × 9 个人物）和约 15 亿个 token，使用 NeMo SDG-PGMs 和 NeMo Data Designer 生成，并以 CC BY 4.0 许可提供，可用于商业用途。
inclusionAI RepositoriesAI 评分3838 ZoomGain：挖掘全局到缩放感知差距，用于细粒度视觉监督
ZoomGain 利用只有放大后才能看清的视觉细节，针对整张图像构建问题，并将这种全局到缩放的感知差距用作视觉语言模型的监督信号。发布内容包括 arXiv 论文、ZoomGainBench 基准（1,000 个问题，覆盖 941 张图像，涉及属性识别、计数和 OCR）、基于 7,713 张源图像的 9,000 条强化学习训练记录，以及 ZoomGain-4B 和 ZoomGain-9B 检查点。28 个模型中最佳者在 ZoomGainBench 上得分 61.08，而 ZoomGain-9B 在多个细粒度和通用感知基准上取得了更优表现。
Preferred Networks NewsAI 评分2626 PFN的AI写作指导系统Ronjiro荣获第23届日本e-Learning大奖AI特别奖（学习支持类）
Preferred Networks的AI写作指导系统Ronjiro荣获第23届日本e-Learning大奖AI特别奖（学习支持类）。Ronjiro利用包括PFN自主研发的PLaMo基础模型在内的生成式AI，支持高中生的议论文与作文学习，最快一分钟内即可就逻辑结构和改进点提供反馈。该系统自2026年3月起通过与Yarakis Switch集团的合资公司YP Switch提供，目前正在全国部分School IE课堂中引入。
Hugging Face BlogAI 评分5858 Ai2 发布 ToyBlocks：一个用于机器人学习的开放模拟积木操作世界
Ai2 发布了 ToyBlocks，这是一个围绕机械臂和桌面上的积木构建的开放模拟框架，是 FoundationWorlds 系列中首个用于受控机器人学习与评估的世界。该框架在 Isaac Lab 中通过强化学习和运动规划自动生成技能与演示，在单块 GPU 上可达最高 24 倍实时速度，并附带 85,336 条长时程演示，覆盖近 1,600 小时和 1.44 亿帧。在其实验中，ManiFlow 的原子技能成功率在模拟中为 80.0%，在真实 Franka FR3 上为 81.1%；而 Molmo 2 加 ManiFlow 系统在模拟和真实场景中的回合成功率分别为 55.5% 和 50.0%。
vLLM Blog精选AI 评分7777 REINFORCE Zero：内核对齐使异步强化学习在策略滞后64时保持稳定，并扩展至DeepSeek-V4.1和Kimi K3.1
NVIDIA Research与Inferact的REINFORCE Zero论文表明，对齐rollout与训练器内核后，未裁剪的token级重要性采样能够纠正剩余的权重滞后，在策略滞后64时稳定训练20,000次更新，并在内核对齐的情况下达到同步训练训练步吞吐量的2.40倍。使用标准内核时，整个运行过程中rollout到学习器的KL中位数上升83.33倍，在线AIME24 pass@1从34.27%降至13.96%，而序列门控虽能稳定训练，但在最后1,000次更新时拒绝了24.48%的序列。零失配设置现已覆盖DeepSeek-V4.1-Flash、发布当日的Kimi K3.1，以及AMD MI355X上的DeepSeek-V4-Flash和Kimi K3.1，代码位于Inferact/zero-mismatch-rl和NVIDIA-NeMo/labs-molt。
推荐理由：NVIDIA Research与Inferact将异步强化学习的rollout-学习器差距拆分为权重滞后和内核失配，表明对齐内核可使未裁剪的重要性采样在策略滞后64时保持稳定训练。
vLLM BlogAI 评分5555 VeRL-Omni v0.3.0 发布，支持异步训练和更广泛的多模态后训练
VeRL-Omni v0.3.0 发布，包含异步与解耦的强化学习执行路径，默认使用 V1 训练器，并扩展了覆盖图像、视频、音频和多模态理解的后训练范围。该版本新增完全异步的 Qwen3-Omni 文本与音频训练、带重放缓冲区的分离异步 Omni 与扩散训练，以及包括 MiniMax H3 搭配 DiffusionNFT 和 MiniCPM-o 4.5 GSPO 在内的新配方。在 4×H800 80 GB 上的 MiniCPM-o 4.5 AVQA 实验中，分离异步 3+1 在自然响应长度下每个提示比同置 4+0 慢约 9%，在 512 token 时大致持平，在 1024 token 时快约 6.7%。
Anthropic Research精选AI 评分6060 Anthropic 解释 Claude 智能体记忆的组成部分
Anthropic 概述了其为 Claude 智能体设计记忆的方式，将智能体记忆定义为跨会话保留的知识，并将其与权重变化、上下文学习和压缩区分开来。5 将其与记忆相匹配。7 在 225 个文件夹中写入了 413 个文件，并获得了一枚徽章。
推荐理由：Anthropic 详细说明了 Claude 的智能体记忆如何运作，比较了模型在 CL-Bench 和 Pokémon Red 上的笔记记录，并展示了离线“做梦”如何纠正和组织已存储的笔记。
Amazon ScienceAI 评分1818 亚马逊科学家 Hamed Karimi 荣获 2026 年 ECML PKDD Test-of-Time 奖
亚马逊高级应用科学家 Hamed Karimi 与合著者 Julie Nutini 和 Mark Schmidt 凭借其 2016 年关于 Polyak–Łojasiewicz 条件下梯度与近端梯度方法线性收敛的论文，获得 2026 年 ECML PKDD Test-of-Time 奖。该论文表明，即使模型不存在单一最优解，这一 1963 年提出的不等式也能保证线性收敛，从而统一了分散的优化结果，并将其扩展到非光滑情形以及坐标、符号和随机梯度下降等算法。该论文已被引用超过 2,000 次，并收录于研究生教材中。
inclusionAI RepositoriesAI 评分3838 ASpec：面向投机解码草稿模型的高吞吐量训练框架
ASpec 是一个面向投机解码草稿模型的高吞吐量训练框架，基于 TorchSpec 代码库构建，具备优化的注意力机制、融合内核以及选择性 head/loss 计算。在 Qwen3-8B 4K 运行中，仅草稿模型训练在单 GPU 上达到 15,256.44 输入 tokens/s，为 TorchSpec 的 1.96 倍；而 8-GPU 在线稳态窗口达到 77,721.37 tokens/s，为 TorchSpec 的 2.28 倍。它支持 DSpark、DFlash、EAGLE3/4 和原生 MTP 草稿模型，并提供 Qwen3-8B 和 Ling tiny 快速入门。
Apple Machine Learning ResearchAI 评分3838 苹果的学习型支撑函数加速RAG检索
苹果研究人员在ICML 2026上发表了"Amortizing Maximum Inner Product Search with Learned Support Functions"，通过离线训练小型神经网络，将查询更快地路由到最匹配的键。SupportNet通过输入凸神经网络（ICNN）学习支撑函数以改进聚类路由，而KeyNet直接输出最佳匹配的键向量，并通过欧拉定理的一致性损失保持其几何基础。两者均在真实查询分布上训练，以预先的摊销成本换取推理时更快、更准确的检索。
Google ResearchAI 评分4747 Google Research 的 Agile Deliberation 帮助人类定义主观性 AI 类别
Google Research 推出了 Agile Deliberation，这是一个将主观性 AI 分类器创建转化为迭代式对话的框架，AI 在其中帮助用户厘清自己的定义。该框架将任务拆分为概念范围界定和概念迭代，利用视觉语言模型找出边界图像，并将反馈接入自动提示优化循环。在 18 场时长 1.5 小时的实时用户会话中，该方法减轻了用户的疲劳与焦虑，并产出了更一致的模型，其表现优于标准基线；代码已在 GitHub 上开源。
Anthropic ResearchAI 评分5858 Anthropic 研究研究人员如何在各科学领域和任务中使用 Claude
Anthropic 使用隐私保护分类器分析了 2026 年 8 月 2 日至 9 月 30 日期间的 207,049 次 Claude 和 Claude Code 研究会话，发现科学家使用 Claude 最多的是数据分析和写作，最少的是数据收集和构思。数据分析占 Claude 会话的 33.7%、Claude Code 会话的 48.1%，而研究人员在数据分析上花费的时间占比为 27.6%；构思占会话的 4.2% 和 2.1%，而研究人员在构思上花费的时间占比为 7.1%。报告估计，当前能力的广泛采用可能使某些领域的研究产出大约翻倍，而非物理工作的完全自动化可能使计算机科学和统计学等领域提升多达 15 倍。
Goodfire ResearchAI 评分5858 Goodfire Research 提出机制塑造，通过内部表征引导模型
Goodfire Research 提出机制塑造（mechanistic shaping），这是一个在训练期间对模型内部概念方向施加惩罚的框架，使模型学会依赖或表达特定概念，而不仅仅是最大化任务奖励。在胸部 X 光实验中，一个 LLM 智能体使用稀疏自编码器特征找到了类似管道的捷径方向，而依赖塑造优于标准训练和平衡数据基线。