Dyna Robotics 联合创始人兼首席科学家 Jason Ma 在 Latent Space 播客中介绍，公司上月发布的 Dyna-2 世界动作模型基于超过一百万小时人类视频预训练，随后推出的物理机器人智能体 Dyna-2.1 已能连续 24 小时折叠餐厅餐巾，成功率达 99.4%，包括在拉倒整叠餐巾后自行恢复。模型采用 encoder-only 的 diffusion transformer 架构，先预测未来视频再据此生成动作，类似视觉与物理空间的链式推理；新任务只需约 45 分钟到数小时的机器人演示数据即可微调。Dyna 已在鼎泰丰美国多家门店每天折叠数千张餐巾，并开始与 Best Western 合作处理酒店布草。
GitHub 公开其密钥检测新方案：用两阶段流水线替代此前基于 LLM 的流程，先用正则生成候选，再由微调后的 ModernBERT 结合文件路径、变量名和上下文判断是否为真实凭据。
相比旧 LLM 流水线，用户对告警的接受度提升 11.5%，推送后扫描中位执行时间降低 86%，服务成本降低逾 98%，并让通用密钥检测得以扩展到推送保护阶段。
菲尔兹奖得主丘成桐与多位中国数学家周日在京发起“丘成桐数学与人工智能实验室联盟”，联合八家机构，目标建成超过 1000 名研究者的网络，丘成桐警告中国正落后于美国。
随着公开和合成数据集触及上限，AI 训练实验室开始通过 SimpleClosure、Sunset 等公司收购倒闭创业公司的代码与工作区数据。
Sakana AI 与 UC Berkeley 研究人员提出多智能体自监督方法 MASS，让同一个语言模型同时承担解题、评判和优化工作流三种角色，无需更强的教师模型。
美国空军将采购 WindBorne Systems 自主气象气球群采集的数据，合同价值最高 4900 万美元，目前已下单 170 万美元。
WindBorne 目前约有 700 个气象气球在全球飞行，其数据同时用于训练自家 AI 天气预报模型 WeatherMesh 6。这是该公司参与的最大单笔合同，且未经竞标授予。
微软研究院推出 StudentSim，一种从公开去标识化学习记录训练个性化 AI 学生模拟器的研究系统，可在真实学习者测试前评估和改进 AI 辅导。
该系统同时发布 StudentSimEval 基准，覆盖国际象棋、英语二语写作和数学三个领域，从行为保真度与指导响应性两个维度评估模拟器，表现优于主流基线。StudentSim 并非产品，不会部署到课堂，也不用于替代教师。
Anthropic 的 Andrej Karpathy 将大语言模型用户分为四层：约 60 亿人几乎未接触过 LLM，10-20 亿人把 ChatGPT 类产品当作更好的搜索引擎，约 2000 万数学和编程领域的专业用户已用智能体完成过去需数周数月的项目，而仅约 5000 人能接触内部前沿系统。
arXiv 宣布自 2026 年 10 月 1 日起将投稿上限设为每人每自然月两篇，适用于所有分类且仅针对投稿人，共同作者不受影响，被拒论文仍计入额度。
平台称 AI 工具推动投稿量激增，2026 年 9 月投稿达 40,363 篇，较 2024 年 9 月的 20,569 篇近乎翻倍，cs.AI 分类两年内增长超过六倍，给志愿审稿人带来近 9,000 张支持工单。
Google DeepMind 的 Pushmeet Kohli 与 Biohub 的 Sal Candido 在 Latent Space 的一场对谈中指出，AlphaFold 的突破只是开始，蛋白质折叠远未解决。
哈佛大学研究人员 Fiona Chen 和 James Stratton 利用 Jellyfish 的工程团队分析数据，覆盖 2021 年至 2026 年 3 月间 700 多家软件开发公司的 70 多万名员工、3 亿条工作事件，发现 AI 编码工具带来的编码阶段效率提升被下游流程吸收，几乎没有证据表明企业因此增加软件产出或减少用人。
Ai2 用 GPU 时间预算、分层公平分配和时间切片契约替换了原有的优先级调度器，把各研究项目该分多少 GPU 时间的争论从逐案运维转为透明的预算流程。
其集群管理数千块 NVIDIA H100、B200 和 B300，规模从 88 到 1024 块 GPU，服务约 150 名内部研究员，而提交的 GPU 需求常年是可用量的 2-3 倍。
Simon Willison 发布 ttok 1.0，将默认 tokenizer 从 GPT-4 切换为 GPT-5/GPT-6。
Periodic Labs 联合创始人 Liam Fedus 与 Ekin Dogus Cubuk 在 Latent Space 播客中提出“合成超级智能”（synthesis superintelligence），主张 AI 科学发现需以物理实验为强化学习环境，而非仅靠更多互联网数据训练。
作者借助 HuggingChat 中的 ML Intern，在两天内完成六个模型项目，包括柑橘病害 VLM、Huggy LoRA、相机视角 LoRA、涂鸦替换 LoRA、Pocket Rewriter 0.8B/2B 蒸馏以及 Agate 4 步蒸馏，总计算成本约 103 美元。
作者用 ML Intern 在两天内训出六个小模型，给出了提示词写法、预算控制与成本明细，可迁移到自己的训练流程。
Google Research 与 NBER 发布一项为期三个月的专利撰写实地实验，将当时未发布的 Google Labs AI 专利写作助手（现属 Gemini Notebook）随机开放给 11 家知识产权律所的 133 名律师，其中三分之二获得早期访问权。
三个月实地实验区分了AI带来的即时产出提升与无辅助判断力的变化，为理解AI对专业能力养成的影响提供了一手证据。
微软研究院开源 Agent Lightning v1.0，这是一个约 3500 行代码的轻量智能体强化学习框架，提出 Harnessed Agentic RL 训练范式，让部署时使用的同一 agent harness 直接参与 RL 训练，无需在训练框架内重新实现智能体。
微软研究院开源 Agent Lightning v1.0，给出约 3500 行代码的完整智能体 RL 控制面与真实 harness 训练路径。
英伟达团队从 Nemotron 3 出发，用 SFT、RL 和生成-验证-改进推理循环打造专用模型，在 IOI 2026 和 IMO 2026 均达到金牌水平。
原文公开了从 Nemotron 3 微调到 IOI、IMO 金牌级成绩的完整配方，包括数据规模与推理循环设计。
Google Research 用 Google Earth AI 的 Population Dynamics Foundation Model（PDFM）验证地理空间基础模型在公共卫生领域的通用性：该模型将匿名搜索趋势、人口流动、建成环境密度和环境决定因素压缩为按月更新的位置嵌入向量，无需任务特定微调即可直接接入现有流行病学模型。
MIT Technology Review 基于 300 位数据与 AI 高管的调研报告指出，企业平均仅约 34% 的智能体 AI 项目能进入生产环境，知识缺失是主要失败原因之一。
ServiceNow CoreAI 构建了 AutoSynthData，利用目标模型的失败案例与更强教师的成功经验定位能力缺口，再生成并验证新任务用于后训练，课程随模型进步动态调整。
该流程在 EnterpriseOps Gym 环境中演示，任务由系统规范、用户提示词和验证器三部分组成，需满足可行性、真实性与难度要求。
微软研究院实习生开发了一套端到端机器学习系统，利用 L1 太阳风观测、AE 与 Dst 指数预报及地质电导率数据，为美国本土 66,935 座变电站生成提前 30-60 分钟的区域性空间天气风险估计。
Google DeepMind 推出 SynthID Bio，把水印技术带入合成生物学，将不可感知的签名直接嵌入生物代码，使其在数字模型和合成出的实体蛋白质上都能被验证，同时保持生物功能。
SynthID 水印从图像扩展到合成生物，读者可了解其在蛋白质设计与 DNA 合成筛查中的验证思路。
微软研究院发布 Quine，一个面向生物学复杂性的 AI 研究系统，由多模态生物世界模型和连接模型、科学工具、文献与科研人员的交互 harness 组成。
该系统与 Broad Institute 合作用于胰腺导管腺癌研究，从数千个化合物中筛选出可驱动肿瘤细胞状态转变的候选物，最高排名化合物在多项湿实验中产生了最大的预期状态转变，整个筛选到验证过程仅用一个周末。
微软研究院公开 Quine 的多模态生物世界模型与配套 harness，并给出胰腺癌化合物筛选的湿实验验证结果。
微软研究院在 Nature 发表逆向合成模型 RetroChimera，它结合 Transformer 模型 R-SMILES 2 与 GNN 模型 NeuralLoc，通过学习式集成对两者预测排序，在常见与罕见反应类别上均表现较强。
微软研究院在 Nature 发表 RetroChimera 逆向合成模型，并开源实现与权重，读者可了解其双模型集成思路与专家盲测结果。
Google Research 发布 MilleMiglia，一个用 C++ 编写的实例生成器，用于为中段物流配送问题生成真实且保护隐私的基准数据，源码与文档已在 GitHub 公开。
Google Research 公布一项新研究实验，让教师借助生成式 UI（GenUI）动态生成贴合自身教学目标与课程的互动学习模拟，并已向可信测试教师群体收集到初步正面反馈。
Mistral 与 Cloudera 建立合作，将 Mistral 模型集成进 Cloudera 混合数据平台，企业可在私有云、公有云、本地及完全气隙环境中部署推理并保持完全控制。
企业还能在受控环境中用专有数据训练自有模型，数据与模型所有权归企业所有。Cloudera 平台承载 30 exabytes 客户管理数据。
Google DeepMind 推出 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，超过 AlphaFold Database 的 30 倍。
原文给出 9 亿单核苷酸变异的预计算预测与 AVI 评分，读者可了解基因组变异解读的新入口。
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。
伯克利 AI 研究团队提出 ABBEL 框架，将 LLM 的摘要内容隔离为自然语言"信念状态"并加以监督，以解决递归摘要带来的性能损失。
在协作编程基准 CollabBench 上，采用基于重构的信念评分后，ABBEL 将全上下文模型的性能差距缩小约 50%，训练步数从 100 步降至 50 步，峰值上下文 token 长度也显著低于全上下文设置。
UC Berkeley 的 Aditya G. Parameswaran 等人提出，随着推理成本从 2023 年初 GPT-4 级约 $30/百万 token 降至如今不足 $1、部分低于 $0.10，数据系统面临三大新挑战：为智能体而建、由智能体运行、由智能体合成。
伯克利 AI 研究团队梳理了并行推理领域进展，指出当前方法（如 Self-consistency、Best-of-N、Tree of Thoughts、MCTS、ParaThinker、GroupThink、Hogwild!
伯克利 AI 研究团队提出梯度规划器 GRASP，通过将轨迹提升到虚拟状态实现跨时间并行优化、向状态迭代直接注入随机性以探索、并重塑梯度让动作获得清晰信号，同时避开高维视觉模型中脆弱的"状态-输入"梯度。
该方法针对长时程规划中梯度爆炸/消失、非贪心结构导致的局部极小值以及高维隐空间失效模式等问题，使基于梯度的规划更加稳健。
Andrej Karpathy 发布 microgpt，一个 200 行、无依赖的纯 Python 单文件项目，完整包含数据集、tokenizer、autograd 引擎、GPT-2 式网络架构、Adam 优化器、训练循环和推理循环。
伯克利 AI 研究团队提出一套基于互信息的成像系统评估与优化框架，可直接从含噪测量中估计信息量，并在彩色摄影、射电天文、无透镜成像和显微成像四个领域验证其能预测解码器性能。
该方法优化出的设计可媲美端到端 SOTA 方法，同时占用更少内存、更少算力，且无需针对任务设计专用解码器。