跳到正文
#数据/训练
  1. Hugging Face Blog75

    作者用 ML-intern 两天做出六个模型，总花费约 103 美元

    作者在 HuggingChat 中开启 ML-intern，用提示词描述需求，两天内做出六个模型并发布到 Hugging Face Hub，总计算花费约 103 美元。

    推荐理由：作者用 ML-intern 在两天内做出六个模型，并公开全部提示词与成本明细，可迁移到自己的训练流程。

  3. Microsoft Research71

    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 v1.0，一个约 3500 行代码的轻量智能体强化学习框架，提出 Harnessed Agentic RL 训练范式，让部署时使用的 agent harness 直接参与 RL 训练，无需在训练框架内重新实现 agent。

    推荐理由：原文给出框架的代码规模、Kubernetes 支持与 SWE-bench Verified 提升数据，可据此判断真实 harness 参与 RL 训练的落地成本。

  1. Hugging Face Blog66

    Nemotron 微调后在 IOI 2026 与 IMO 2026 均达金牌水平

    英伟达团队从 Nemotron 3 出发，用监督微调、强化学习和反馈驱动的推理流程，在 IOI 2026 与 IMO 2026 两个竞赛中达到金牌水平。

    推荐理由：原文公开了从 Nemotron 3 微调到 IOI、IMO 金牌级成绩的完整配方，包括数据规模与推理流程。

  1. Google Research60

    Google 发布基于 TEE 的联邦学习系统，Gboard 已采用

    Google Research 公布新一代联邦学习系统，用可信执行环境（TEE）为数据匿名化提供可远程验证和审计的保证，并称 Gboard 已采用该系统上线英语和日语下一词预测模型，隐私保证更强、准确率提升。

    推荐理由：Google 公布基于 TEE 的新一代联邦学习系统设计，并给出 Gboard 已上线的落地情况，可了解隐私可验证性的实现路径。

  1. Google DeepMind66

    Google DeepMind 推出 SynthID Bio，为 AI 生成蛋白质嵌入水印

    Google DeepMind 推出 SynthID Bio，把水印技术带入合成生物学，将不可感知的签名直接嵌入生物代码，使水印不仅能在数字模型上验证，也能在合成出的实体蛋白质上验证，同时保持其生物功能。

    推荐理由：SynthID 水印技术延伸到合成生物学，读者可了解 AI 生成蛋白质如何被标记与验证，以及它对 DNA 合成筛查的意义。

  1. Microsoft Research62

    微软研究院推出 Quine：面向生物学复杂性的 AI 研究系统

    微软研究院推出 Quine，一个面向生物学复杂性的 AI 研究系统，由跨序列、结构、功能、细胞状态和成像等多模态数据训练的生物学世界模型，以及连接模型、科学工具、文献和实验人员的交互式编排框架组成。

    推荐理由：微软研究院公开 Quine 的生物学世界模型与实验编排框架，并给出胰腺癌化合物筛选的湿实验验证结果。

  1. Google DeepMind80

    Google DeepMind 发布 AlphaGenome Atlas，覆盖人类基因组 90 亿个单字母变异预测

    Google DeepMind 发布 AlphaGenome Atlas，一个包含人类基因组 90 亿个单核苷酸变异效应预测的平台，规模达 1PB，是 AlphaFold Database 的 30 倍以上，已通过网站门户、AlphaGenome API 和 Google Antigravity 中的 skill 开放学术研究使用。

    推荐理由：原文给出了覆盖 90 亿个单核苷酸变异的预测数据集与 AVI 评分，读者可据此了解变异影响排序的新入口。

已经到底了