跳到正文
#数据/训练
  1. Google Research74

    Google Research 介绍让 AI 智能体接入湿实验室的三项研究

    Google Research 发布博客，介绍三项把 AI 智能体与真实湿实验室实验衔接起来的研究：VERID 实验室工作单元语义数字孪生框架、适配体闭环设计原型，以及 FAP 靶点的 de novo 蛋白结合体设计。

    推荐理由：Google Research 用三个项目展示智能体如何接入湿实验室的物理状态与闭环实验，读者可了解其自动化科研路径与安全约束。

  1. Mistral AI74

    Mistral 发布时间序列基础模型 Timestral，最大 209M 参数

    Mistral 发布首个时间序列基础模型系列 Timestral，提供 5M、28M、123M 和 209M 四个尺寸，最大模型在 GIFT-Eval、TIME 和 fev-bench 三项公开基准上排名第一，参数量为前代 SOTA 的三分之二。

    推荐理由：原文给出四个尺寸的参数量、三项基准排名和 CPU 推理延迟，便于判断时间序列基础模型的选型边界。

  1. Microsoft Research76

    微软研究院开源 Agent Lightning v1.0：约 3500 行代码的轻量智能体 RL 框架

    微软研究院开源 Agent Lightning v1.0，一个约 3500 行代码的轻量智能体强化学习框架，提出 Harnessed Agentic RL 范式，让部署时使用的 agent harness 直接参与训练，无需在训练框架内重新实现智能体。

    推荐理由：微软研究院开源轻量智能体 RL 框架，给出真实 harness 训练路径与 SWE-bench 提升数据，可供工程团队参考复现。

  1. Microsoft Research71

    微软研究院推出面向生物学复杂性的 AI 研究系统 Quine

    微软研究院推出 AI 研究系统 Quine，由跨基因组、蛋白质、化学、RNA 与细胞状态、生物成像的多模态生物世界模型和一个连接模型、科学工具、文献与研究者的交互框架组成。

    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，并给出胰腺癌细胞状态预测的湿实验验证结果。

已经到底了