Amazon Quick Sight 推出层级筛选器，简化仪表板下钻
Amazon Quick Sight 发布层级筛选器，作者可在单个紧凑控件中提供最多五级的多层级筛选，替代多个独立筛选控件。该控件支持 Region → Sub-Region → Country → City 逐级下钻，也可在同一控件中混选不同层级，如同时选中整个国家与单个城市。
#数据/训练
#数据/训练
今日 1 条AWS Machine Learning BlogAI 评分1212
AWS Machine Learning BlogAI 评分2222 uniopen 如何用 Amazon Nova 2 Lite 定制零售审核策略并部署上线
uniopen 通过 Amazon SageMaker AI 对 Amazon Nova 2 Lite 进行监督微调，并做提示词级输出优化，使其适配自身零售审核策略。在 737 个对话窗口的留出测试集上，基线模型 Per Behavior Macro F1 为 0.5852。方案将纠错数据、训练、评估与部署纳入同一套可重复流程，人工复核仍是模糊案例和训练数据的必要环节。
Hugging Face Blog精选AI 评分6262 AI2 发布 Olmo-core 3：面向大型 MoE 的开源可扩展训练基础设施
AI2 发布 Olmo-core 3，这是其大语言模型开发框架的一次重大升级，重新设计了开放的 MoE 训练系统，目标是把 MoE 训练扩展到万亿参数规模并保持计算效率。
推荐理由：原文给出 MoE 训练栈的吞吐与显存实测数据，读者可据此判断万亿参数 MoE 训练的开源方案成熟度。
NVIDIA BlogAI 评分2222 NVIDIA AI 工厂如何实现投资回报最大化：高产出、长寿命、通用性
NVIDIA 提出 AI 工厂投资回报取决于三个要素：每兆瓦产出能力、硬件使用寿命和 token 需求。SemiAnalysis AgentX 数据显示，Vera Rubin NVL72 每兆瓦吞吐量比 GB300 NVL72 高 30 倍以上，在 DeepSeek V4 Pro 上每百万 token 成本低至 45 倍。
Microsoft ResearchAI 评分3232 微软研究院用机器学习预测电网空间天气风险，覆盖美国 66,935 座变电站
微软研究院开发了一套端到端机器学习流水线，利用 L1 太阳风观测、AE 与 Dst 指数预报及变电站所在地的纬度与地质电导率数据，为美国本土 66,935 座变电站生成 30 至 60 分钟前的局地风险估计。
Google DeepMind精选AI 评分7171 Google DeepMind 推出 SynthID Bio，为 AI 生成蛋白质加水印
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，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，同时实验室测试显示其生物功能未受影响。
推荐理由：SynthID 从图像音频扩展到合成生物学，读者可了解水印如何嵌入蛋白质序列与结构而不影响功能。
NVIDIA Blog精选AI 评分6262 NVIDIA 与 CoreWeave 将 Vera Rubin NVL72 投入生产，Cognition 为首家客户
CoreWeave 宣布 NVIDIA Vera Rubin NVL72 系统搭配 Spectrum-X 102.4T 以太网在 CoreWeave Cloud 上可用，Cognition 成为首个在生产负载上运行该系统的客户。
推荐理由：材料给出 Vera Rubin NVL72 上线 CoreWeave 云及 Devin 实测吞吐数据，可据此判断智能体编码负载的算力供给变化。
Hugging Face Blog精选AI 评分6262 NVIDIA 发布 Kumo Tabular 表格基础模型，四个基准排名第一
NVIDIA 发布开源表格基础模型 Kumo Tabular，给定带标签的表格行即可在单次前向传播中预测新行标签，无需训练、调参或特征工程，同时支持分类与回归。
推荐理由：原文给出表格基础模型的架构设计、训练数据生成方式与四个基准排名，可据此判断免训练表格预测的可行边界。
Microsoft Research精选AI 评分6262 微软研究院发布 Quine：面向生物学复杂性的 AI 研究系统
微软研究院发布 Quine，一个面向生物学复杂性的 AI 研究系统，由生物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，预测并优先排序数千种化合物，最高排名化合物在湿实验中产生了最大的经典态向基底态转变，从缩小化合物搜索空间到选出候选验证仅用一个周末。
推荐理由：微软研究院公开 Quine 的多模态生物世界模型与实验闭环设计，并给出胰腺癌化合物筛选的湿实验验证结果。
Mistral AIAI 评分4242 Mistral 在慕尼黑开设德国中心，推进工业 AI 与 Physics AI
Mistral 在慕尼黑开设德国中心，组建专注 Physics AI 与工业 AI 的研究团队，并计划到 2030 年建成 1 吉瓦欧洲算力。该中心将与 BMW 合作碰撞仿真与工程 AI、与 Siemens Energy 合作工业 AI 应用，并与慕尼黑工业大学（TUM）合作利用风洞设施开发汽车空气动力学数字孪生。Mistral 强调其开放权重架构让模型可在客户自有基础设施上运行，数据不出组织。
NVIDIA Blog精选AI 评分6262 NVIDIA 联合 Google DeepMind 等开放 2800 多种病毒的蛋白复合物预测结构
NVIDIA 加入由 Google DeepMind、EMBL-EBI 等组成的全球研究联盟，通过 AlphaFold Database 开放 2800 多种病毒的蛋白复合物预测 3D 结构，供任何科学家免费使用。
推荐理由：NVIDIA 联合 Google DeepMind 等开放 2800 多种病毒的蛋白复合物预测结构，并公开生成流程，读者可了解开放科学在疫情准备中的具体做法。
NVIDIA BlogAI 评分1212 NVIDIA 验证工程师 Sakeena Fiza：在实验室里为 AI 硬件"破案"
NVIDIA 验证工程师 Sakeena Fiza 在数据中心系统实验室负责新产品量产前的硬件验证，她回忆 NVIDIA Rubin GPU 首次在系统层面被识别时，全场欢呼，这是全球首次 Rubin GPU 完成系统级枚举。她将验证工作比作破案：一块板卡可能含数万个元件，一个机架接近 50 万个，目标是在客户发现问题之前先发现并复现问题。
NVIDIA BlogAI 评分2222 NVIDIA 埃及 AI 生态从赋能走向规模化落地
NVIDIA 在埃及大埃及博物馆举办活动，展示其 AI 生态已进入生产规模阶段，NVIDIA Deep Learning Institute 在埃及的学习者一年内增长超过十倍。
Microsoft ResearchAI 评分5757 微软研究院在 Nature 发表逆向合成模型 RetroChimera 并开源权重
微软研究院在 Nature 发表逆向合成模型 RetroChimera，用于自动提出小分子合成路线。该模型由 Transformer 模型 R-SMILES 2 与基于图神经网络的 NeuralLoc 组成，通过可学习的集成排序策略融合两者预测，在常见与罕见反应类别上均表现较强。
NVIDIA BlogAI 评分3838 曼彻斯特大学用 NVIDIA Earth-2 预测全英空气污染
曼彻斯特大学团队基于 NVIDIA Earth-2 的生成式模型 Earth-2 CorrDiff，在英国国家 AI 超算 Isambard-AI 上训练出覆盖全英、分辨率 2-3 平方公里的空气污染模型，单节点八 GPU 训练仅耗时两天。
Google ResearchAI 评分3232 Google Research 用 Retrieve-for-Train 绕过推理瓶颈，加速复杂 AI 搜索
Google Research 提出 Retrieve-for-Train 框架，用离线强化学习把奖励对齐的 fan-out 查询编译成监督信号，再蒸馏进一个 53.9M 参数的扩散检索器，实现推理时单次非自回归的查询 fan-out，无需测试时 CoT 推理 token。
Google ResearchAI 评分4242 Google 提出 ToolGrad：用文本“梯度”高效生成工具调用数据集
Google Research 提出 ToolGrad，一种“先答案后问题”的工具调用数据生成范式：先生成真实工具调用链，再反推对应用户提示，只需一步 LLM 调用。
Hugging Face BlogAI 评分4646 Hugging Face Jobs 上用 LoRA 实现异步 GRPO：一个 Bucket、一个代理，无需 NCCL
TRL v1.14 的 AsyncGRPOTrainer 现已支持只训练并同步 LoRA adapter 到 vLLM，rank-1 adapter 仅几 MB，可通过挂载在多个 Hugging Face Jobs 上的 Storage Bucket 传输，无需 NCCL。
Google DeepMind精选AI 评分7878 Google DeepMind 发布 AlphaGenome Atlas，覆盖人类基因组 90 亿个单核苷酸变异预测
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 多倍，已通过网站门户免费开放给学术研究使用。
推荐理由：DeepMind 把 AlphaGenome 的预测预计算成 1PB 全基因组图谱，读者可据此判断变异解读的门槛与规模变化。
Google ResearchAI 评分3131 Google Research 研究跨人群多基因风险评分的迁移学习
Google Research 用 UK Biobank 的数十万欧洲样本与近 20 万日本人的 Biobank Japan 数据，在 8 项临床性状上评估多基因风险评分（PRS）的跨人群迁移效果。结果显示，目标人群样本达到 15k 以上时，加入欧洲数据反而限制精度提升；遗传相关性高的性状可继续受益至 25-40k+ 样本，而 HDL、LDL 和血糖等高度人群特异性性状受益更小。
Google Research精选AI 评分6060 Google 与 HHMI Janelia 等发布完整雄性果蝇脑连接组图谱
Google 与 HHMI Janelia 及剑桥等合作者在 Cell 发表论文，发布完整雄性果蝇大脑与中枢神经系统连接组图谱，包含超过 166,000 个神经元和 1.25 亿个突触连接，是迄今按神经元数量计算最大的脑图谱。
推荐理由：Google 与 HHMI Janelia 等合作发布迄今神经元数量最多的脑图谱，读者可了解 AI 在连接组学中的具体作用。
Hugging Face BlogAI 评分3232 用 100 步 GRPO 微调 LFM2.5-350M，提升结构化输出合规性
一份公开的低成本方案用 TRL 的 GRPO 对 LFM2.5-350M 做微调，仅约 500 条样本、100 步训练，就把 IFStruct 基准成绩从 22.6% 提升到 29.7%，训练可在免费版 Colab 或 Kaggle GPU 上完成。评测通过 llama.cpp 在本地 MacBook 上运行，代码已开源在 GitHub。
Hugging Face BlogAI 评分3434 用 TRL 和 OpenEnv 训练编程模型画水彩：Qwen3.5-35B-A3B 开源复现全流程
Hugging Face 用 TRL 和 OpenEnv 开源复现了让语言模型画水彩的完整流程，模型通过 p5.brush 写出约 150 行 JavaScript 来作画。
Hugging Face BlogAI 评分3636 Hugging Face 推出 BenchMIRT：LLM 基准测试究竟在测什么？
Hugging Face 发布 BenchMIRT，一种在单条提示词层面审计 LLM 基准测试的新方法，基于多维 IRT（MIRT）分离同一基准中混杂的能力信号。该方法在 100 个 LLM、16 个基准、超 34K 道题上训练，未被告知基准对应能力，却自行稳定复现出安全与通用推理两个主导维度。分析显示 BBQ、WMDP 等安全基准的得分与通用推理关联更强，说明单一基准分数可能混合多种信号。
Google ResearchAI 评分4141 Google 用深度学习从太空绘制全球甲烷排放地图
Google Research 提出 MAPL-EMIT，一个基于 Swin-S transformer 的深度学习框架，可从 NASA EMIT 高光谱卫星数据中自动检测、预测增强并定位甲烷羽流，在专家标注羽流上召回率达 84%。
Google ResearchAI 评分5858 Google 发布 TimesFM-3：面向多变量预测的零样本基础模型
Google 发布 TimesFM-3，一个原生预训练支持多变量预测的零样本时间序列基础模型，参数量 3.3 亿，预训练语料超过 1 万亿个时间点。模型支持多目标、历史协变量和已知未来协变量，采用交替注意力架构与 Contiguous Patch Masking，单次前向即可输出整个预测区间及 9 个分位数。
Microsoft ResearchAI 评分4242 微软发布 GigaPath-Flash 与 GigaTIME-Flash：高效病理基础模型迈向人群级发现
微软研究院推出 GigaPath-Flash 和 GigaTIME-Flash，用蒸馏自原 GigaPath ViT-g 的 22M 参数 ViT-S 编码器替换原有骨干，在 PANDA 前列腺分级和 EBRAINS 脑肿瘤分型基准上以约 50 倍更少算力达到原 GigaPath 3% 以内的性能。
Google Research精选AI 评分6666 Google 发布行星预测引擎 PPE，自动完成地理空间建模全流程
Google 在 Earth AI 计划下推出实验性研究能力 planetary prediction engine（PPE），可依据自然语言查询自主完成地理空间数据发现、特征工程、模型训练与评估，并生成报告，把原本需要数周人工数据工程的建模过程压缩到几分钟。
推荐理由：Google 官方给出 PPE 在公共卫生、粮食安全与疫情预测上的基准对比，可看自主地理空间建模的自动化程度。
Google ResearchAI 评分3434 Google 推出 GlucoFM：面向连续血糖监测的基础模型
Google 发布自监督基础模型 GlucoFM，采用双流设计分离血糖的慢速基线趋势与短期波动，并保留时间与缺失信息。在四个队列、七项临床任务共 14 组评估中，其 PR-AUC 平均比表现最好的 GluFormer 变体高 5.8 个百分点，并在 Dexcom 与 Libre 两款 CGM 设备上取得最低 MAE。
Hugging Face BlogAI 评分5252 Multiverse Computing 提出 Quantization-Aware Healing：4-bit 压缩模型在 7/9 基准上超过其全精度版本
Multiverse Computing 发布论文提出 Quantization-Aware Healing（QAH），在 GPT-OSS 120B 压缩到 60B 参数并量化为 MXFP4 后，直接从压缩前的原始模型蒸馏，而非从恢复出的 bfloat16 检查点蒸馏。
Google ResearchAI 评分3939 Google 推出 Biomarker Discovery Framework：从可穿戴传感器数据中优先筛选候选生物标志物
Google 推出 Biomarker Discovery Framework，一个在人类监督下将候选生物标志物优先级排序结构化为迭代研究循环的多智能体系统。该系统在三个队列共 9,279 条参与者观测中自主识别出 41 个心理健康候选数字生物标志物和 25 个代谢候选标志物，并构建出睡眠时长变异性、心血管适能指数（步数除以静息心率）等新复合特征。
Google ResearchAI 评分2222 Google 研究：如何用移动性数据让语言模型更深入理解地点
Google Research 提出 Mobility-Embedded POIs（ME-POIs）框架，将匿名化移动性模式与文本描述结合，为地点生成同时编码身份与动态功能的嵌入向量。在公开基准上，该方法使访问意图预测相对提升最高 81.9%，价格水平分类提升 75.1%，繁忙度估计准确率提升 24.7%。框架通过访问对齐、空间多尺度访问传播和文本-移动性协同三步流程，缓解稀疏地点数据不足的问题。
Hugging Face BlogAI 评分3434 Hugging Face Inference Endpoints、Jobs 与 Buckets 如何支撑 Papers with Code 的搜索
Papers with Code 用 Hugging Face Jobs、Storage Buckets 和 Inference Endpoints 搭建了一套混合搜索系统，为超过 11 万篇 arXiv 与 Daily Papers 论文维护嵌入向量。
Microsoft ResearchAI 评分4242 微软 Skala 1.1 发布：训练数据增至 2.5 倍，并集成进 CP2K 等主流 DFT 软件
微软研究院发布深度学习交换关联泛函 Skala 1.1，训练数据量为此前公开版本的 2.5 倍，在 GMTKN55 基准 55 个类别中 32 项排名第一，加权平均误差 2.8 kcal/mol。Skala 现已可在 CP2K 中使用，并正集成进 Psi4、FHI-aims、ORCA 和 VASP，同时微软推出持续追踪各版本计算性能的 living benchmark。
Hugging Face Blog精选AI 评分6262 IBM 研究：智能体到底需要多少记忆？
IBM Research 在 Hugging Face 博客发布 ALTK-Evolve 研究，用 AppWorld 的 585 个多步任务测试八款模型后发现，智能体记忆不是开关而是需要按模型校准的剂量。
推荐理由：八模型横评显示智能体记忆的合适剂量随模型能力分层，并给出检索与提示词缓存的成本对照。
Google Research精选AI 评分6060 Google 研究 PhotoScan：用手机照片估算体成分并预测胰岛素抵抗
Google Research 提出 PhotoScan，一个从普通 2D 手机照片估算体脂率、Android-to-Gynoid 脂肪比（A/G）和内脏与皮下脂肪面积比（V/S）的深度学习框架，用于预测胰岛素抵抗。
推荐理由：Google 用手机照片估算体成分并预测胰岛素抵抗，给出了与 DXA 的误差对比和分类指标，可看非侵入筛查的可行性边界。
Hugging Face Blog精选AI 评分6868 Hugging Face 发布 2026 夏季开源模型观察报告
Hugging Face 发布 2026 年 1 月至 8 月的开源模型观察报告，基于 Hub 数据给出六项发现。报告显示模型仓库从 243 万增至 296 万，数据集从 71.1 万增至 100 万，Spaces 从 100 万增至 144 万，但 85.6% 的模型累计下载不足 200 次，1.5% 的仓库占据 99.2% 的下载量。
推荐理由：Hugging Face 用 Hub 七个月数据拆解开源模型格局，可看到中美实验室规模路线与下载依赖的分野。
Hugging Face BlogAI 评分4848 用 Strands Agents、LeRobot 和 Hugging Face Storage Buckets 实现录制、训练与部署一体化
AWS 开源 SDK Strands Robots（Apache 2.0）演示了机器人数据闭环：用 Robot("so100") 录制 LeRobotDataset 并同步到 Hugging Face Storage Buckets，再通过 stream_dataset 直接从 Hub 流式读取训练，无需完整下载，最后仅改一个关键字参数即可将 checkpoint 部署回硬件。
Hugging Face BlogAI 评分3636 Hugging Face 为 OlmoEarth Studio 推出自定义嵌入向量导出功能
Hugging Face 的 OlmoEarth Studio 现已支持计算并导出嵌入向量，用户可通过 UI 或 API 选择区域、时间范围、编码器变体和分辨率，获得 Cloud-Optimized GeoTIFF（COG）输出。
Google ResearchAI 评分3636 Google 研究：召回而非编码是前沿 LLM 事实性的瓶颈
Google Research 提出知识画像框架，用 WikiProfile 基准（2,150 条维基百科事实、每条配 10 道题）区分编码与召回失败。Gemini-3-Pro 和 GPT-5 有 95–98% 的事实已编码，却仍无法直接召回 26–34% 的事实，开启思考后仍有 11–12% 失败。Gemma 3 系列显示模型规模扩大主要改善存储而非取用，瓶颈正从知识获取转向知识利用。