Google DeepMind 发布 DNA 序列模型 AlphaGenome 2
Google DeepMind 宣布发布下一代 DNA 序列模型 AlphaGenome 2，可预测 DNA 序列及其变异对特定人类细胞类型的影响。该模型改为条件化架构，一次针对一个组织、细胞类型或状态进行预测，训练数据涵盖 68 个组织、超过 1.07 亿个单细胞图谱。
推荐理由：原文给出条件化架构改造与 TenK10K 上的召回对比，读者可据此判断细胞类型特异性预测相比上一代的实际提升幅度。
#论文/研究
Google DeepMind精选AI 评分7474
Hugging Face Blog精选AI 评分7676 NVIDIA 发布 Nemotron 3.5 Transcribe 开源语音模型与 Granary v2 数据管线
NVIDIA 发布开源权重语音模型 Nemotron 3.5 Transcribe，将转写、说话人分离、翻译和音频问答整合到单一 checkpoint，支持 40 种语言转写、31 种语言与英语互译、13 种语言说话人归属，可处理最长一小时录音并标注最多 8 位说话人，现已在 Hugging Face 和 ModelScope 开放。
推荐理由：原文给出榜单成绩与微调配方，读者可据此判断该模型在多语种转写与说话人分离上的可用性。
The Verge · AI精选AI 评分7878 OpenAI 宣布三项科学发现并引入外部专家协作验证
OpenAI 宣布在数学、计算机科学和物理领域的三项重大发现，并引入外部专家作为“shepherds”指导验证。
推荐理由：原文对比了 OpenAI 与外部专家合作验证的两种不同做法，以及数学顾问小组的反对意见，读者可了解 AI 生成成果的发布与验证争议。
Hugging Face Blog精选AI 评分7474 NVIDIA 发布 Kumo Relational 关系型基础模型，无需训练直接在数据库上预测
NVIDIA 发布 Kumo Relational，一个预训练的关系型基础模型，可直接在企业数据库上做预测，无需任务专属训练、特征工程或表展平，单次前向传播即可给出流失、需求、欺诈等预测结果。
推荐理由：原文给出了基准对比与部署入口，读者可据此评估它能否替代现有 XGBoost 生产管线。
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、文献与实验的交互式 harness 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，从缩小搜索空间到选出候选化合物仅用一个周末，湿实验验证中排名最高的化合物产生了最大的预期细胞状态转变。
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，读者可了解 AI 参与药物发现的具体流程与验证结果。
Microsoft Research精选AI 评分7474 Microsoft Research 发布 Echoverse：面向计算机使用智能体的深度可演化训练环境
Microsoft Research 发布 Echoverse，一套面向计算机使用智能体的深度可演化训练环境，包含十个深度领域世界和两个能力世界，并开源其中四个世界的代码、数据与数据库接地验证器。
推荐理由：原文用对照实验说明深度与多样性比环境数量更能带来迁移，可为构建计算机使用智能体训练环境提供方法参考。
Google Research精选AI 评分6767 Google Research 发布表格数据零样本基础模型 TabFM
Google Research 发布面向表格数据分类与回归的基础模型 TabFM，将表格预测建模为上下文学习问题，无需手动训练、超参调优和特征工程，单次前向传播即可在未见过的表格上生成预测。
推荐理由：原文说明了混合注意力架构与合成数据训练如何替代传统特征工程和调参流程，便于评估其对现有工作流的替代空间。
OpenAI News精选AI 评分6969 GPT-5.2 推导出理论物理新结果
OpenAI 官方发文称，一篇新预印本显示 GPT-5.2 提出了一个胶子振幅的新公式，该公式随后由 OpenAI 与学术合作者正式证明并验证。
推荐理由：官方披露模型在具体科研任务上的产出，可了解其推理能力的实际落点。
Google DeepMind精选AI 评分8484 Google DeepMind 发布两篇论文，展示 Gemini Deep Think 求解专业科研问题
Google DeepMind 发布两篇论文，介绍 Gemini Deep Think 在数学、物理和计算机科学领域求解专业研究问题的成果。
推荐理由：原文给出了数学研究智能体的设计要点与人机协作方法，可迁移给从事 AI 辅助科研的读者。
OpenAI News精选AI 评分6666 OpenAI 用过程监督提升数学推理并取得新 SOTA
OpenAI 训练的模型通过奖励每一步正确的推理过程（过程监督）而非仅奖励最终答案（结果监督），在数学问题求解上取得新的 SOTA。原文指出过程监督除提升性能外，还能直接训练模型产出经人类认可的 chain-of-thought，带来对齐层面的收益。
推荐理由：原文对比了过程监督与结果监督的差异，读者可据此理解奖励每一步推理对性能和对齐的双重作用。
OpenAI News精选AI 评分6161 OpenAI：多智能体捉迷藏游戏中涌现出渐进复杂的工具使用
OpenAI 报告在新的模拟捉迷藏环境中训练智能体，观察到它们在简单游戏中逐步发现愈发复杂的工具使用，累计形成六种不同的策略与反策略，其中部分策略是作者此前不知道环境所支持的。这种简单环境中的自监督涌现复杂性表明，多智能体协同适应有朝一日可能产生极其复杂和智能的行为。
推荐理由：原文以捉迷藏游戏为例说明多智能体对抗如何催生出连作者都未预料的工具使用策略，可帮助理解涌现行为的研究路径。
OpenAI News精选AI 评分6666 OpenAI 用无监督预训练在语言任务上取得 SOTA 结果
OpenAI 宣布用一个可扩展、任务无关的系统在多种语言任务上取得 state-of-the-art 结果，并同步开源该系统。其方法结合了 transformer 与无监督预训练两个已有思路，结果表明监督学习方法搭配无监督预训练效果很好，作者希望这一结果能推动在更大、更多样数据集上开展相关研究。
推荐理由：原文点明了方法组合与可迁移结论，读者可据此理解监督学习配无监督预训练这一思路的价值。
OpenAI News精选AI 评分6161 OpenAI 发现自博弈让 AI 自主学会体育动作技能
OpenAI 表示自博弈让模拟 AI 无需专门设计环境即可自行发现铲球、躲闪、假动作、踢球、接球和鱼跃扑球等身体技能，并确保环境难度始终适合 AI 提升。结合此前 Dota 2 的自博弈结果，OpenAI 表示对自博弈将成为未来强大 AI 系统核心部分的信心在增加。
推荐理由：原文把 Dota 2 与足球自博弈结果并列，说明自博弈可迁移到不同环境并自动匹配难度。
已经到底了