跳到正文
11月11日周三
  1. Google DeepMind74

    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。

  2. Hugging Face Blog62

    Tether AI Research 开源 0.8B 端侧智能体模型 BotPsy

    Tether AI Research 发布 BotPsy,一个基于 Qwen3.5-0.8B 构建、面向函数调用与智能体工作流的 0.8B 参数端侧模型,将以 Apache 2.0 许可开源权重,提供 bf16、Q8、Q4 三种精度的 safetensors 与 GGUF 文件。

    推荐理由:原文给出四阶段训练配方与逐项基准对比,可据此理解小模型如何在工具调用上追平更大模型。

  3. Microsoft Research74

    微软研究 Lazarus 后门技术:重编程休眠神经元可劫持 AI Agent

    微软研究人员发现名为 Lazarus 的后门技术,重编程 LLM 中少于 10 个休眠神经元、无需训练即可让 AI Agent 在触发时执行攻击者命令,且模型仍能通过标准评测。

    推荐理由:原文给出少于10个休眠神经元即可植入后门且无需训练的机制细节,可帮助读者理解权重完整性为何成为模型安全的关键。

11月10日周二
  1. Hugging Face Blog62

    Hugging Face 推出 Decision Models 决策模型接口与生态支持

    Hugging Face 介绍决策模型(decision model)概念及其在生态中的落地:模型接收 state 与 questions,直接返回带概率的结构化决策而不生成文本,接口包含 choice、score、noul 三种原语,并给出 confidence 计算方式。

    推荐理由:原文梳理了决策模型的接口设计与三种原语,并说明 Transformers 和 llama.cpp 如何通过同一 API 提供服务。

  2. Google DeepMind76

    Google DeepMind 发布 AlphaProof Code,用 AI 代理形式化验证 Signal 协议代码

    Google DeepMind 发布 AlphaProof Code,一个多 LLM 智能体形式化验证框架,用它对 Signal 协议的实际代码给出了关键安全性质的数学证明,称这是首次用 AI 在这一深度形式化验证广泛部署的密码协议,也是任何方法首次验证此类协议的实现。

    推荐理由:原文说明了形式化验证从设计层下沉到编译代码层的做法与四周耗时,读者可据此评估 AI 代理在真实密码协议上的验证能力边界。

  3. Google DeepMind74

    Google DeepMind 开源 WeatherNext 3 背后的 SatWeave 与 PARDIG 数据集

    Google DeepMind 宣布开源支撑 WeatherNext 3 的两个基础数据集 SatWeave 与 PARDIG,历史存档与实时数据流已在 Google Cloud Storage 开放,PARDIG 历史目录也上架 Google Earth Engine。

    推荐理由:原文说明了两个数据集的构成与评测口径,读者可据此判断它们对天气水文建模的可用性。

  4. OpenAI News28

    OpenAI 弥合教育领域 AI 指导差距

    OpenAI 发布 ThinkYoung 新研究,并分享其 EMEA 教育合作经验,聚焦支持教师、提升 AI 素养与促进自主学习。内容涵盖如何帮助教师应对 AI 指导差距,以及在教育场景中培养学生独立使用 AI 的能力。

  5. AWS Machine Learning Blog75

    Claude Fable 5.2 与 Claude Mythos 5.2 在 Amazon Bedrock 上线

    AWS 宣布 Claude Fable 5.2 和 Claude Mythos 5.2 现已在 Amazon Bedrock 与 Claude Platform on AWS 上可用,通过 US Geo CRIS 和 Global CRIS inference profiles 提供。

    推荐理由:原文同时给出模型能力定位、数据保留策略与迁移路径,读者可据此评估在 Amazon Bedrock 上接入新模型的实际门槛。