标签
DeepMind 发布 AlphaGenome，一个能在碱基对分辨率下以一百万碱基上下文窗口预测基因组变异影响的机器学习模型，在 26 个变异效应基准中的 25 个上匹配或超越最强对比模型；配套的 AlphaGenome Atlas 预先计算了约九十亿种单核苷酸变异的影响，规模达 AlphaFold 数据库的 30 倍，并向科学界永久免费开放模型权重。
DatologyAI 推出了 Datology Curation Studio，这是一个面向自主训练模型团队的可定制前沿数据筛选平台，将数据质量定位为最终的算力倍增器。
Steinert-Threlkeld 和 Szymanik 认为，机器学习模型可以作为衡量语义复杂性的"认知温度计"，研究表明基于学习的度量方法与传统的逻辑复杂性方法趋于一致，且在某些情况下能更好地解释语义共性。
提出 Dirichlet-Sinkhorn Constant Averaging（DSCA）校准策略，通过在不同协变量分布的数据子集上独立校准候选表达式并取参数均值，为符号回归的进化搜索提供额外的选择压力，从而提升函数恢复精度与复杂度之间的权衡。
NEMORA 是一种将 Fast Multipole Method 推广为可学习等变算子的新方法，用于在等变图神经网络（equivariant graph neural networks）中建模长程原子间相互作用，具备线性时间与内存复杂度，可处理数十万原子体系，并在长程基准测试上将力和能量误差降低一个至三个数量级。
一篇立场论文主张，AI 开发应超越将单一 ground truth 视为绝对标准的做法，转而对合理的人类判断空间进行建模，同时区分有意义的模糊性与标注噪声。
MIT News 发布三问专访，围绕 MIT 统计与数据科学中心主任 Sasha Rakhlin 的新文章，探讨 AI 对大学研究与研究生培养的冲击，以及院系应如何重新定义学术评价与训练方式。
论文提出了 ORACLE，一种基于优化器的相对约束学习方法，通过评估约束与优化后更新量之间的兼容性，而非直接在目标函数或梯度层面评估。在八个偏微分方程基准上的实验表明，ORACLE 在 94% 的配置中优于原生优化器。
该论文提出一种车辆集成的数字孪生框架，通过驱动感知（drive-by sensing）实现桥梁结构健康监测，结合傅里叶神经算子代理模型、贝叶斯优化的传感器设计以及无监督损伤评估，并在澳大利亚和日本的多站点现场试验中完成验证。
本文提出一种可解释的机器学习分析，利用多中心纵向临床队列预测参与正念干预后患者在12周和24周的BDI-II抑郁评分，发现基线严重程度仍是最强预测因子，而短期结局更依赖临床与医院背景，长期结局则更依赖行为依从性和人口统计因素。
MIT教授Christina Delimitrou运用机器学习优化大型数据中心的资源管理与服务器架构，提升能效、减少电力浪费，从而缓解数据中心扩张对电网和环境造成的压力。
该论文系统研究了文本分类器在不同服务上下文（批量大小、数值精度、硬件等）下的非不变性，发现标签稳定并不意味着分数稳定，且在 bf16 下仅改变批量形状就能导致高达 56.7 个百分点的预测概率质量偏移，并为每种机制推导了标签稳定性的充分条件和缓解方法。
CuratorMAS 提出了一种多智能体编排框架，通过探索、知识检索、评估、过滤和技能演化五个可编程阶段来自动化数据集策展，将噪声率降低多达 36.03 个百分点，并将下游 F1 分数提升多达 8.88 个百分点。
一篇提出 AI 驱动、时序感知的芯片后布线功耗优化框架的论文，使用梯度提升模型集成对功耗修复编辑和修复动作进行排序，同时由确定性 EDA 分析把关约束。论文给出契约与预注册评估协议，但尚未报告训练模型的结果。
一段 Ben Affleck 的引言，描述了他长期以来对计算机、数字电影工作流的兴趣，以及卷积神经网络如何被用于视觉特效中的边缘检测和绿幕合成，发布在 Simon Willison 的博客上。
一位兼职从事 AutoResearch 的实践者提出疑问：自主研究智能体的评估中，究竟有多少是真正的科学探索，而又有多少只是在人类预定义的问题空间内进行优化搜索？他进一步追问，要展现出超越分数提升的真正研究判断力，智能体还需要证明什么。
研究显示 AI 模型在科研实验的『品味』（taste）判断上已超越人类，能够选择更有价值的研究方向与实验设计。
这是对实用书籍《Reinforcement Learning: Industrial Applications of Intelligent Agents》（强化学习：智能体的工业应用）的推广帖子。该书涵盖强化学习基础，以及 Rainbow、PPO、TD3、SAC 等深度强化学习算法，并介绍这些方法在工业领域长期序贯决策问题中的应用。