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 指数预报及各地地质电导率数据，为美国本土 66,935 座变电站生成 30 至 60 分钟前的局地空间天气风险估计。
#数据/训练
#数据/训练
今日 1 条10月1日
9月30日
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 成为首个在生产环境运行该系统的客户。
AMD 以 82 亿美元收购世界模型初创公司 World Labs
AMD 宣布以约 82 亿美元全股票交易收购专注空间智能的初创公司 World Labs，交易预计在 2026 年底前完成，尚待监管批准。World Labs 创始人李飞飞将加入 AMD 担任执行副总裁兼首席科学家，直接向 CEO 苏姿丰汇报并负责前沿研究。
AMD 将以 82 亿美元收购李飞飞的 World Labs
AMD 宣布以 82 亿美元收购 World Labs，后者专注理解物理现实的深度学习模型，交易预计在年底前完成并需通过监管审批。World Labs 创始人李飞飞将加入 AMD 担任执行副总裁兼首席科学家，双方去年已建立推理优化与训练合作。
9月29日
NVIDIA 发布 Kumo Tabular 表格预测基础模型
NVIDIA 发布开源表格基础模型 Kumo Tabular，给定带标签的表格行即可单次前向传播预测新行标签，无需训练、调参和特征工程，覆盖分类与回归。模型提供 28M 到 215M 三种规模，仅用人工合成表格预训练，采用 OpenMDW-1.1 许可可商用，在 TabArena、BeyondArena、TALENT 和 ScoringBench 四个基准上排名第一。
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 harness 组成。
9月28日
跨账户自动化管理 Amazon Textract 适配器生命周期
AWS 发布跨账户自动化管理 Amazon Textract 适配器生命周期的方案，通过将适配器 ID 外置到 AWS Systems Manager Parameter Store，生产环境适配器引用可零停机更新，无需重新部署应用，原本需数小时至数天的协调工作缩短到数秒。
9月26日
特斯拉工人不愿为 Optimus 人形机器人采集训练数据
据 The Information 报道，特斯拉在得州和加州的工厂让工人穿戴记录动作的特制服装，为 Optimus 人形机器人采集模仿学习数据，但部分工人因认为机器人最终会取代自己而抱怨，特斯拉随后将数据采集转交给专门团队并设立训练中心。
在 Amazon EKS 上用 EFA 和 DeepEP 扩展 MoE 强化学习，吞吐量提升 40%
AWS 给出在 Amazon EKS 上结合 EFA 与 DeepEP 扩展 MoE 强化学习训练的架构方案，吞吐量提升 40%。
在 Amazon SageMaker HyperPod 上用 SkyRL 加速多模态 RL 训练
在 Amazon SageMaker HyperPod 上使用开源 RL 框架 SkyRL，通过 GRPO 对 Qwen3-VL-8B 视觉语言模型进行多模态强化学习后训练，在固定 64 个迷宫评测集上把解迷宫成功率从 43.75% 提升到 95% 以上。
9月25日
Amazon SageMaker HyperPod 与 Qumulo 实现跨区域训练
Amazon SageMaker HyperPod 搭配 Qumulo 的 Cloud Native Qumulo（CNQ）与 Cloud Data Fabric（CDF），可让训练集群跨 AWS Region 直接读取远端数据集而无需复制数据或改动代码。
9月24日
Foundries vs Navigators：AI 如何降低科学研究的成本
Adrian Sanborn 在 Endura Therapeutics 的实践中提出，AI 对科学的影响分为两类：Foundries 用新一代测序、高通量显微和物理自动化把实验测量成本降低一个数量级，Navigators 则把变便宜的"思考"用于决策与流程。
NVIDIA 联合 Google DeepMind 等开放 2800 多种病毒的蛋白复合物结构预测数据集
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。
9月23日
NVIDIA 验证工程师 Sakeena Fiza 如何让硬件大规模成功
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，她最难忘的时刻之一是 NVIDIA Rubin GPU 首次在系统层面成功枚举。她将验证工作比作破案，目标是在客户发现问题之前先发现并复现问题，覆盖从托盘、机架到集群和客户 AI 工厂的全流程。
Radical Numerics CEO Eric Nguyen 谈生物安全：AI 军备竞赛与基因组语言模型
Radical Numerics 联合创始人兼 CEO Eric Nguyen 认为，提升生物能力的模型同样能用于防御，主张更激进地推进前沿研究。其团队开发的 Evo、Evo 2 基因组语言模型曾被 Arc/Stanford 团队用于生成完整噬菌体基因组并合成出功能性病毒。
Google ERA：John Platt 谈用 AI 求解可打分科学问题
Google 的 Empirical Research Assistance（ERA）把可写成评分函数的科学问题交给 Gemini 自动搜索解法：它维护实验 notebook 树，用 Upper Confidence Bound 挑选分支并每次提出约十个变异，Gemini 2.0 到 2.5 之间从完全不可用变为效果出色。
9月22日
小米发布 MiMo-V2.6-Pro 1T-A42B 开源全模态模型，训练成本约 300 万美元
小米发布 MiMo-V2.6 系列，包含全模态模型 MiMo-V2.6-Pro 与 MiMo-V2.6-Flash，并推出输出速度最高提升 20 倍的 MiMo-V2.6-Pro-UltraSpeed。
英国 AISI 如何用 EvalEval 基础设施让评测结果可复现
英国 AI Security Institute（AISI）正采用 EvalEval 的 Every Eval Ever schema 和 Evaluation Cards 平台公开分享评测结果，以提升评测科学的可复现性。
9月21日
微软开源逆合成模型 RetroChimera，成果登上 Nature
微软在 Nature 发表逆合成预测框架 RetroChimera，并开源其实现与权重。该模型融合 Transformer 模型 R-SMILES 2 与基于 GNN 的 NeuralLoc，通过学习式集成对两者预测重排序，在盲测中化学家更偏好其单步反应预测。
MIT Technology Review 如何绘制首张美国边境“虚拟墙”沿线死亡地图
MIT Technology Review 与 Times of San Diego 用 15 个月完成首张美国边境监控塔附近死亡的综合地图与分析，梳理 2015 年以来的移民死亡案例。团队向得州 17 个县警长办公室申请记录，从 14 个县获得超 4000 页文件，并用 Anthropic 的 Claude（通过 API）提取遗骸发现地点坐标，再人工抽样核验。
NVIDIA 在纽约气候周展示 5 家用 AI 推进清洁能源的公司
NVIDIA 在纽约气候周重点介绍了 5 家用 AI 推进清洁能源的公司。ThinkLabs AI 的数字孪生与智能体基于 NVIDIA CUDA，帮助南加州爱迪生将电网并网申请评估时间从 30-45 天缩短到 2 分钟。
9月16日
Hex 用 GPT-6 Astra 将复杂分析变成可视化报告
Hex 的数据智能体借助 GPT-6 Astra，把分析答案转化为可交互的可视化报告，让员工愿意主动分享。
Salesforce 发布首个 CRM 推理模型 Koa，基于 NVIDIA Nemotron 3 Super 构建
Salesforce 在 Dreamforce 上发布其首个 CRM 推理模型 Koa，基于 NVIDIA Nemotron 3 Super 后训练，训练语料为近三十年企业 CRM 部署衍生的专有合成数据集，覆盖制造、金融服务、医疗和旅游等 14 个以上行业。
Good Start Labs 如何用游戏训练 AI 模型并迁移到真实工作
Good Start Labs 将《1830》铁路桌游改造成训练环境，用 30B 模型做实验：单轮问答和多轮终端智能体两种训练设计都能提升游戏内表现，但只有终端智能体设计在 Finance-Agent 基准上取得提升。
Google Research 提出 Retrieve-for-Train：用 RL 编译扩散模型加速 AI 搜索查询扇出
Google Research 提出 Retrieve-for-Train 框架，通过离线强化学习发现奖励对齐的查询扇出并编译为监督信号，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扇出，无需生成 CoT 推理 token。
NVIDIA 在 AI Infra Summit 发布 Vera Rubin 与 DSX 平台能效进展
NVIDIA 在 AI Infra Summit 上公布 Vera Rubin 与 DSX 平台的多项进展，重点展示每兆瓦 token 吞吐的能效优化。
9月11日
Google Research 提出 ToolGrad：用文本“梯度”高效生成工具调用数据集
Google Research 在 ACL 2026 提出 ToolGrad，采用“先答案后问题”范式，先生成真实工具调用链再反推用户查询，替代传统 DFS 试错式标注。
9月10日
OpenAI 在 ChatGPT Work 中推出 Data agent
OpenAI 宣布 ChatGPT Work 中的 Data agent 面向所有人开放，可连接企业数据、发现洞察，并用自然语言借助 AI 构建交互式看板。
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，可通过挂载到各 Job 的 Storage Bucket 传输，无需 NCCL。
9月8日
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 推出 AlphaGenome Atlas，一个包含人类基因组中 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。
9月4日
Google Research 研究跨人群多基因风险评分的迁移学习
Google Research 用 UK Biobank 欧洲人群与 Biobank Japan 近 20 万日本人群数据，在 8 项临床指标上评估多基因风险评分（PRS）的跨人群迁移效果。结果显示，目标人群样本量达到 15k 以上时，目标人群专属模型优于混合欧洲数据训练；而遗传相关性高的性状可继续受益于欧洲数据，直到目标样本量达 25-40k+。
Google 与 HHMI Janelia 等发布完整雄性果蝇脑连接组图谱
Google Research 与 HHMI Janelia、剑桥大学等合作，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。
9月3日
用 100 步 GRPO 微调 LFM2.5-350M 提升结构化输出能力
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 个训练步，就把 IFStruct 基准分数从 22.6% 提升到 29.7%，训练可在免费 Colab 或 Kaggle GPU 上完成。评测通过 llama.cpp 在 MacBook 本地运行，代码已开源在 GitHub。
9月2日
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%。
9月1日
Google 发布 TimesFM-3 零样本多变量时间序列预测基础模型
Google Research 发布 TimesFM-3，这是其首个原生预训练支持多变量预测的时间序列基础模型，参数量 3.3 亿，预训练语料超过 1 万亿个时间点。
微软发布 GigaPath-Flash 与 GigaTIME-Flash：高效病理基础模型迈向群体规模发现
微软研究院推出 GigaPath-Flash 和 GigaTIME-Flash，以蒸馏自十亿参数 GigaPath 编码器的 22M 参数 ViT-S 骨干大幅降低病理分析算力需求，并采用 Apache 2.0 开源。
8月28日
Google Earth AI 推出行星预测引擎 PPE，自动完成地理空间建模全流程
Google Research 在 Google Earth AI 下推出实验性研究能力行星预测引擎（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数分钟。
8月27日
Google 推出 GlucoFM：面向连续血糖监测的双流基础模型
Google 发布自监督基础模型 GlucoFM，采用双流设计分离缓慢血糖趋势与短期波动，在 109,066 小时无标注 CGM 数据上预训练。在四个队列、七项临床任务共 14 组评估中，其 PR-AUC 平均比最优 GluFormer 变体高 5.8 个百分点，并在餐后血糖响应预测中取得最低 MAE。
8月26日
用 Sentence Transformers 训练与微调多向量嵌入模型
Sentence Transformers v6.0 新增第四种模型类型 MultiVectorEncoder，用于 ColBERT 式后期交互检索，并配套完整训练方案。
8月25日
Multiverse Computing 提出 Quantization-Aware Healing，4-bit 压缩模型在 7/9 基准上超过其 bfloat16 原版
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 checkpoint 蒸馏。