在 EKS 上用 Ray Train DLC 与 EFA 做分布式训练
AWS 发布 Ray Train 深度学习容器（DLC），在 EKS 上借助 KubeRay 与 EFA 直接跑多机分布式训练，无需自行构建镜像。
#数据/训练
AWS Machine Learning BlogAI 评分3434
Google ResearchAI 评分5959 Google 提出 sleep 框架，让 LLM 在持续学习中保留知识
Google Research 提出 sleep 框架，为 LLM 设计“清醒交互 + 离线睡眠”的周期性学习流程，把短期上下文巩固为长期参数。该框架通过 MoE 参数扩展、知识蒸馏与 RL 模仿学习完成记忆巩固，再以随机专家激活和梯度筛选的“梦境”样本自我改进。
AWS Machine Learning BlogAI 评分3636 AWS 为 SageMaker AI 训练与处理作业推出 SOCI 索引镜像，容器启动从分钟级降至秒级
AWS 宣布为 Amazon SageMaker AI 训练和处理作业提供 Seekable OCI（SOCI）索引，容器镜像改为懒加载，作业启动从分钟级缩短到秒级。基准测试中 1.8–35.4 GB 镜像下载提速约 8x–46x，GPU 拉取镜像的空闲时间最多减少 90%，且训练性能不受影响。用户只需指向已预索引的 AWS DLC 或为自己的镜像添加索引，无需改动作业定义。
AWS Machine Learning BlogAI 评分3636 Exowatt 用 SageMaker 无服务器模型定制，精度超越前沿模型且成本低至 49 倍
Exowatt 借助 Amazon SageMaker AI 无服务器模型定制，为边缘告警分诊和云端能源市场分析分别微调 Qwen3-1.7B 与 Qwen3-14B，精度超过前沿模型，成本最高降低 49 倍。该流程把原始运营数据加工为经认证的训练集、微调模型和可评估的部署产物，原本需数月的路径现在几天内即可跑通。
Hugging Face BlogAI 评分5555 Ai2 研究：LLM 能否可靠判断研究想法的新颖性
Ai2 发布研究 Old Ideas, Novel Problems，并开源基准、数据和代码，用于测试 LLM 新颖性评判器。研究基于 ICLR 2026 评审构建 154 条高新颖与 145 条低新颖的人类想法池，测试 GPT-5.1 至 GPT-5.4、Claude Sonnet 4.5 与 Claude Opus 4.5/4.6 六个评判模型。
NVIDIA BlogAI 评分3636 NVIDIA 与 C-BRAIN 如何用 AI 加速阿尔茨海默病研究
NVIDIA 与 C-BRAIN 合作，用 AI 加速阿尔茨海默病研究，C-BRAIN 已构建 OpenScientist 和 InsightEngine 两款开源智能体工具。OpenScientist 能在数分钟内完成原本需数周至数月的分析，单次运行成本低于 10 美元。C-BRAIN 目前运行 64 块 NVIDIA 数据中心 GPU，并计划引入 Blackwell 系统。
AWS Machine Learning BlogAI 评分3434 用 SageMaker SDK v3 在边缘端管理车队级计算机视觉模型生命周期
AWS 发布基于 SageMaker Python SDK v3 的车队级边缘计算机视觉模型生命周期方案，用 SageMaker Neo 替代已弃用的 Edge Manager 做边缘优化。
Hugging Face Blog精选AI 评分6565 微软与 Hugging Face 将数据库校验转为 RL 奖励，用 ThinkingBox 后训练智能体
微软与 Hugging Face 联合发布 ThinkingBox-Training，把 ThinkingBox 对数据库终态的可执行校验直接当作奖励，对 Qwen3.8-27B 做 50 步 GRPO 全参数微调。
推荐理由：微软与 Hugging Face 把数据库终态校验改造成 GRPO 奖励，并公开了任务筛选与训练代码，可供做智能体后训练时参考。
Google DeepMindAI 评分5858 Google DeepMind 联合 WRI 与 IIASA 发布 ForTy 2020 全球森林类型地图
Google DeepMind 与 Google Research 联合 WRI、IIASA 发布 Forest Typology（ForTy）2020，把全球每块 10×10 米土地划入六类森林与土地用途，作为欧盟反毁林法规（EUDR）的关键基线。
Hugging Face BlogAI 评分5050 IBM Granite 时序模型集成预测：四种架构组合与可扩展预测接口
IBM 在 Hugging Face 发布 Granite Timeseries Ensemble，用一套配方组合 PatchTST-FM-r1、PatchTST-FM-r2、FlowState-r1.1 和 TTM-r3 四个预训练 Granite 时序模型，无需重训即可输出中位数与分位数预测。
NVIDIA BlogAI 评分3838 欧洲金融机构采用开放权重模型构建专有智能
Revolut 正基于 NVIDIA 加速计算用单一基础模型 PRAGMA 重建技术栈，初期服务 8000 万客户并设计支持 3 倍扩展。Starling Bank、Lloyds、bunq、NatWest、Santander 等机构也在 GTC Berlin 展示了基于开放权重模型和自有基础设施的生产级智能应用。
NVIDIA Blog精选AI 评分6464 NVIDIA 扩展 Cosmos 平台，新增世界模型训练、评估与部署工具
NVIDIA 扩展 Cosmos 平台，新增训练工具、仿真 checkpoint 和 Cosmos Data Factory 蓝图，用于世界模型的训练、评估与部署。
推荐理由：原文给出数据工厂蓝图、框架技能与 NIM 部署的完整链路，读者可据此判断世界模型开发流程的模块化程度。
Hugging Face Blog精选AI 评分6060 Dharma-AI 研究：专门化 SLM 词表可将实际应用推理成本降低 77%
Dharma-AI 在 Hugging Face 博客中预览即将发布的 VocabX 论文，提出按每个 token 的推理成本而非出现频率重建小模型词表，在基于 Qwen3-4B 的葡萄牙语作文评分器上把实测推理成本降低 77.0%，基座模型、数据和训练配方均未改变。
推荐理由：作者以生产环境作文评分器为例，展示按 token 成本而非词频重建词表，在基座模型不变时把实测推理成本降 77%。
Hugging Face BlogAI 评分3232 TorchNeuron 系统级性能分析实战：在 AWS Trainium 上剖析推理性能
Hugging Face 博客发布 TorchNeuron 系列第一篇，讲解如何在 AWS Trainium 上用 torch.profiler 与 NeuronConfig 系统分析推理性能。
Mistral AIAI 评分5858 Mistral 与 NVIDIA 合作推进工程领域 AI
Mistral 与 NVIDIA 宣布合作，将 Mistral Large 4 与 NVIDIA CUDA-X、Warp 等加速计算和物理建模工具结合，用于加速工程仿真并打通仿真、模型开发与设计之间的闭环流程。
Google Research精选AI 评分7171 Google Research 介绍让 AI 智能体落地湿实验室的三项研究
Google Research 发布博客，介绍三项把 AI 智能体从计算设计接到真实湿实验室实验的研究：VERID 实验室数字孪生框架、适配体闭环发现和 de novo 蛋白结合体设计。
推荐理由：Google Research 用三个项目展示智能体如何从虚拟设计走到湿实验室验证，并给出闭环迭代中的具体失败与修正。
Google DeepMindAI 评分5858 Google 演示用 Antigravity 加速抗菌肽发现
Google DeepMind 发布技术演示，展示生物学家如何用智能体开发平台 Google Antigravity 在 Streptococcus pseudopneumoniae 中找到一个新型抗菌肽候选物，该候选物对呼吸道感染相关病原体具有预测活性，目前正进行湿实验验证。
Mistral AI精选AI 评分7171 Mistral 发布时间序列基础模型 Timestral，最大 209M 参数
Mistral 发布首个时间序列基础模型系列 Timestral，提供 5M、28M、123M 和 209M 四个尺寸，最大模型在 GIFT-Eval、TIME 和 fev-bench 三项公开基准上排名第一，参数量为前代 SOTA 的三分之二。
推荐理由：原文给出四个尺寸的参数量、CPU 推理延迟和三项基准排名，可据此判断时间序列基础模型的落地成本。
Google ResearchAI 评分5858 Google Research 在 Research@ 活动公布十项研究工具与能力更新
Google Research 在 Mountain View 的 Research@ 活动上公布十项研究进展，包括扩大 Google Earth AI 早期访问、向公众开放 Deep Review 文档核查系统，以及将 TimesFM 和 TabFM 接入 Gemini for business。
GitHub Blog · AI & MLAI 评分4848 GitHub 用 ModernBERT 分类器重构密钥检测：误报更少、成本降 98%
GitHub 为密钥扫描训练了专用的 ModernBERT 分类器，替代此前的 LLM 流水线，在推送后扫描中把用户接受率提升 11.5%、中位扫描执行时间缩短 86%、服务成本降低超 98%。
Microsoft ResearchAI 评分4747 微软研究用 StudentSim 模拟学生学习，提升 AI 辅导效果
微软研究院提出 StudentSim，用公开的去标识化学习记录为每位学生训练个性化 AI 学生模拟器，在真实学习者测试前评估和改进 AI 辅导系统。该工作同时推出覆盖国际象棋、英语二语写作和数学的 StudentSimEval 基准，从行为保真度和指导响应性两个维度评估模拟器，结果显示 StudentSim 在上述领域优于领先基线，可为训练 AI 辅导系统提供反馈信号。
Microsoft Research精选AI 评分7575 微软研究院开源 Agent Lightning v1.0：约 3500 行的轻量智能体 RL 框架
微软研究院开源 Agent Lightning v1.0，这是一个约 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 agent harness 直接参与训练，无需在训练框架内重写智能体。
推荐理由：微软研究院开源约 3500 行的智能体强化学习框架，让部署时的 harness 直接参与训练，并给出可复现的编码智能体训练结果。
Microsoft ResearchAI 评分4545 微软研究院用机器学习预测电网空间天气风险
微软研究院开发了一套端到端机器学习流水线，可为美国本土 66,935 座变电站生成位置特定的空间天气风险估计，并提前 30 至 60 分钟预警。系统结合太阳风观测、AE 与 Dst 指数预报、地质电导率及电网数据，评估期内对重大事件检出率约 80%，其中 ≥10 nT/min 事件检出率 76.5%。
Berkeley AI ResearchAI 评分4141 ABBEL：教 LLM 更新信念状态，提升长程交互效率
Berkeley AI Research 提出 ABBEL 框架，将摘要内容隔离为自然语言"信念状态"并加以监督，以替代完整交互历史作为智能体的工作上下文。在 CollabBench 协作编码任务上，基于重建的信念评分将 ABBEL 与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 长度也显著低于全上下文设置。
Berkeley AI ResearchAI 评分3636 智能免费之后怎么办？面向智能体、由智能体构建的数据系统
UC Berkeley 的 Aditya G. Parameswaran 等人提出，推理成本正快速趋近于零，GPT-4 级能力从 2023 年初的约 $30/百万 token 降至如今不足 $1，部分厂商已低于 $0.10。
Berkeley AI ResearchAI 评分3838 伯克利提出基于信息量的成像系统设计框架，登NeurIPS 2025
伯克利AI研究团队提出一种直接以互信息评估和优化成像系统的框架，在NeurIPS 2025论文中证明该信息指标可预测彩色摄影、射电天文、无透镜成像和显微镜四个领域的系统性能。优化该指标得到的设计可媲美SOTA端到端方法，同时占用更少内存和算力，且无需任务专用解码器设计。方法利用成像噪声物理特性，仅需从测量数据学习总变差项，估计值构成真实信息量的上界。