Anthropic 宣布成立生命科学研究组与实验室，并公布早期成果：Claude 智能体在约 950 个智能体、消耗 2.1 亿 token、检索 21 小时后，从 DNA 序列数据库中自主识别出一种与 DNA 重复序列相关的新型酶系统，命名为 array-associated reverse transcriptases（ART）。
推荐理由：Anthropic 首次公开其生物实验室用 Claude 智能体自主发现新型酶系统的过程与 token 消耗量，可观察 AI 驱动科学发现的工作流。
微软研究院在 Nature 发表逆合成模型 RetroChimera，并开源其实现与权重。该模型结合 Transformer 去 Novo 模型 R-SMILES 2 与基于 GNN 的模板模型 NeuralLoc。
Anthropic 宣布与 Accenture 合作，对其前沿 AI 模型进行独立评估，该合作由其 AI 业务部门 Faculty 牵头，内容包括模型评估与红队测试、对齐评估以及模型防护措施测试。
推荐理由：Anthropic 与 Accenture 合作开展嵌入式评估，读者可了解这一新型独立评估机制的具体安排与资金模式。
Google Research 发布研究实验，让教师借助生成式 UI（GenUI）创建贴合课程目标的互动教学模拟，并同步开放 30 多个面向初高中物理、化学、生物和数学的英文学习互动样例库。
Mistral 宣布与 Mozilla 合作，Firefox 的 AI 浏览助手 Smart Window（beta）现由 Mistral 模型驱动，帮助用户梳理复杂搜索、找回此前点击过的内容并基于浏览器标签页溯源信息。
Google DeepMind 发布两款实时语音对话模型 Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking。
推荐理由：两款实时语音模型分别面向规模化与高复杂度任务，并给出多项语音评测成绩与开放入口。
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留完整控制权。双方还支持企业用自有专有数据在受控环境中训练定制模型，并保留数据和由此产生的智能的所有权。Cloudera 平台承载 30 exabytes 客户托管数据。
Mistral 帮助一家欧洲能源运营商把 4 万行 Fortran 77 代码迁移到 C++，这是总计 30 万行代码迁移的首个冲刺。该代码是一个无测试套件、无集中文档的物理密集型油藏模拟器，团队先搭建数值一致性校验框架，再用 Vibe CLI 生成上百个智能体为代码树编写文档，并按模块运行规划、实现、测试、审查流程。
Google DeepMind 推出 AlphaGenome Atlas，包含人类基因组中全部 90 亿个单核苷酸变异的效应预测，规模约为 AlphaFold Database 的 30 倍，即日起通过免费网站门户、AlphaGenome API 及 Google Antigravity 中的技能开放学术研究使用。
推荐理由：读者可以了解 AlphaGenome Atlas 覆盖 90 亿单核苷酸变异的预测规模，以及 AVI 评分如何同时给出变异排序与分子机制线索。
Mistral 宣布完成 30 亿欧元 D 轮融资，投后估值超过 210 亿欧元，由三星电子领投，Scaleup Europe Fund 和 PSG Equity 参与联合领投。这是欧洲科技公司有史以来规模最大的股权融资，资金将用于扩展前沿研究、算力、基础设施和商业增长。Mistral 目前业务覆盖 20 个国家，服务包括 Airbus、ASML 和 HSBC 在内的 125 家以上全球企业。
推荐理由：欧洲 AI 公司的超大额融资案例，呈现资本对开源权重与主权 AI 路线的押注逻辑。
Mistral 与 HUMAIN 宣布达成战略合作，覆盖 AI 基础设施、先进模型开发与 AI 解决方案部署，金额达数亿欧元，初期聚焦网络安全与语音，并计划开发阿拉伯语表现优异的前沿模型。Mistral 将探索使用 HUMAIN 数据中心基础设施，双方还计划在沙特面向受监管行业制定联合市场策略。
Mistral AI 发布 Agentic Search，一个面向 AI 系统的多步检索层，通过 search、open、navigate、read、grep 五个工具让模型在复杂文档中查找、翻阅并核验信息。
推荐理由：Mistral 官方披露 Agentic Search 在两个检索基准上的准确率、token 与延迟变化，可据此判断多步检索相对传统 RAG 的收益。
IBM Research 与 UC Berkeley Sky Lab 合作，把 K-Search 演化式内核搜索框架扩展到 Apple Silicon，并加入结构化 CUDA-to-MLX 翻译层来迁移已有 CUDA 内核经验。
Berkeley AI Research 提出 ABBEL 框架，将摘要隔离为自然语言"信念状态"并加以监督，以解决递归摘要带来的性能损失。在协作编码基准 CollabBench 上，ABBEL-rec-BG 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 token 长度也低于全上下文。
伯克利 EPIC Data Lab 提出近零推理成本下的三大数据系统挑战：为智能体设计（For Agents）、运行智能体（Of Agents）、由智能体构建（By Agents）。
伯克利人工智能研究实验室（BAIR）为 2026 届博士毕业生举办展示活动，他们的研究覆盖机器人、大语言模型与推理、计算机视觉、生成模型、AI 安全、人机交互及 AI for science 等方向。
Berkeley AI Research 发布综述，分析并行推理尤其自适应并行推理的进展，探讨让模型自行决定何时分解并并行化独立子任务、生成多少并发线程以及如何协调。现有方法多从模型外部固定并行结构，难以按问题难度调整并行度。
Berkeley AI Research 提出梯度规划器 GRASP，通过将轨迹提升为虚拟状态实现跨时间并行优化、在状态迭代上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，使世界模型的长时程规划变得可行。该工作与 Mike Rabbat、Aditi Krishnapriyan、Yann LeCun、Amir Bar 合作完成。
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识别 LLM 的关键交互，可扩展到比此前方法大几个数量级的规模。
伯克利 AI 研究团队提出一种基于互信息的成像系统评估与优化框架，仅用含噪测量和已知噪声模型即可估计系统信息量，避免依赖特定重建算法。该框架在彩色摄影、射电天文、无透镜成像和显微镜四个领域成功预测下游解码器性能，并在 NeurIPS 2025 论文中表明，优化信息量所得设计能匹配 SOTA 端到端方法，同时所需内存和算力更少，且无需任务专用解码器。
