Leash Bio 的 Ian Quigley 谈 DEL 数据、Hermes 模型与 Minos 科学推理智能体
Leash Bio 用 DNA Encoded Libraries（DEL）采集蛋白与小分子的高通量结合数据，并训练出 Hermes 模型，在公开基准上与 Boltz 保持同步。团队还发现模型会记住蛋白的"昵称"而非结合位点，并据此通过大规模蛋白突变体工程打破口袋限制。其数据可支撑数万个"lab-in-the-loop"模拟，已发展为 Minos 并发布预印本、博客和开放数据集。
#数据/训练
Latent SpaceAI 评分4848 Ars Technica · AIAI 评分5858 研究人员用 AI 设计可切割其他蛋白的蛋白酶
研究人员用 AI 蛋白设计工具，保留两类蛋白酶的催化核心并替换其余全部结构，得到可按目标定制切割的酶。他们用这些酶切割与神经疾病相关的蛋白，以展示其有效性。研究绕过了蛋白酶自然多样化的过程，直接设计出能切断特定蛋白的酶。
Microsoft ResearchAI 评分5555 微软研究院提出 StudentSim：用个性化学生模拟器评估和改进 AI 导师
微软研究院提出 StudentSim，从公开的去标识化学习记录训练个性化学生模拟器，用于在真实学习者测试前评估和改进 AI 导师。研究同时发布 StudentSimEval 基准，覆盖国际象棋、第二语言英语写作和数学三个领域，从行为保真度和对指导的响应度两个维度评估模拟器。
MIT Technology Review · AIAI 评分2222 将 AI 智能体接入企业知识
MIT Technology Review 基于对 300 名数据与 AI 高管的调查发现，企业平均只有约 34% 的智能体 AI 项目能进入生产环境，数据与知识短板是主要失败原因。生产领先者（平均 61% 项目越过试点）在语义等知识能力上更强，55% 的受访者将数据碎片化列为扩展智能体知识访问的首要挑战。企业计划优先投资摄取管道、AI-ready API、RAG、AI 评估智能体和知识图谱。
Microsoft ResearchAI 评分4848 微软研究院用机器学习预测电网空间天气风险
微软研究院开发了一套端到端机器学习流水线，可提前30-60分钟为美国本土66,935座变电站生成位置级空间天气风险估计。系统结合AE与Dst指数预报、纬度、地质电导率等数据，在2020-2026年评估期内检测到近80%的重大空间天气事件。其中Dst预测器在62.2%的活跃时段小时数上优于Burton方程，集成后使严重风暴检测率提升1.2个百分点。
Microsoft Research精选AI 评分6060 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、生物成像等模态联合训练的生物学世界模型，以及连接模型、科学工具、文献与研究者的交互框架组成。
推荐理由：微软研究院公开了 Quine 的生物学世界模型与实验闭环设计，并给出胰腺癌化合物筛选的湿实验验证结果。
Berkeley AI ResearchAI 评分3838 ABBEL：通过信念状态更新让 LLM 高效完成长程交互
伯克利 AI 研究提出 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，用受自编码器启发的重建式信念评分作为辅助 RL 任务。在 CollabBench 协作编程任务上，该方法把与全上下文模型的性能差距缩小约 50%，训练步数减少 50%，峰值 token 长度仍显著低于全上下文。
Berkeley AI ResearchAI 评分3838 GRASP：面向世界模型长时程规划的梯度规划器
伯克利团队提出 GRASP，一种面向学习型世界模型的梯度规划器，通过将轨迹提升到虚拟状态实现跨时间并行优化，并在状态迭代上直接注入随机性以促进探索。GRASP 还重塑梯度，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。该方法旨在解决长时程规划中梯度爆炸/消失、非贪心局部极小值等脆弱性问题。
Berkeley AI ResearchAI 评分3838 Berkeley AI Research 提出 SPEX 与 ProxySPEX：大规模识别 LLM 关键交互
Berkeley AI Research 提出 SPEX 与 ProxySPEX 算法，用于在特征、数据和模型组件归因中大规模识别驱动 LLM 输出的关键交互。
Berkeley AI ResearchAI 评分3838 基于信息量的成像系统设计框架：Berkeley 提出用互信息直接评估与优化成像系统
Berkeley AI Research 提出一种基于互信息的成像系统评估与优化框架，可直接从带噪测量中估计信息量，无需任务专用解码器。该方法在彩色摄影、射电天文、无透镜成像和显微成像四个领域验证，信息估计能预测解码器性能，优化后的设计达到端到端 SOTA 方法水平，同时所需内存和算力更少。该成果发表于 NeurIPS 2025。