跳到正文
10月7日周三
10月6日周二
10月2日周五
  1. Google Research68

    Google 发布基于 TEE 的新一代联邦学习系统,迈向可证明隐私的学习

    Google Research 宣布新一代联邦学习系统,利用可信执行环境(TEE)提供完全可验证、可审计的数据匿名化保证,Gboard 已率先采用。新系统由客户端加密上传与访问策略、基于 RAFT 共识的 KMS 密钥管理、用 Federated Language 编排的 TEE 训练循环以及加密恢复状态协同工作,训练时间从此前的 1-2 个月大幅缩短,同时模型准确率提升。

    推荐理由:原文对比了新旧联邦学习系统在隐私可验证性与训练效率上的差异,读者可了解 TEE 如何移除对服务器运营方的信任依赖。

  2. Hugging Face Blog35

    AutoSynthData:为企业智能体生成训练数据

    ServiceNow CoreAI 构建 AutoSynthData,将企业智能体的能力缺口自动转化为训练数据。该流程先识别目标模型在环境中的失败模式,再借助更强 teacher 模型的成功经验,生成并验证由系统规范、用户提示词和验证器组成的新任务,用于 post-training。作者在 EnterpriseOps Gym 环境中演示了该流程,并已发布对应数据集。

10月1日周四
9月30日周三
  1. Google DeepMind66

    Google DeepMind 发布 SynthID Bio:为 AI 生成蛋白质嵌入可验证水印

    Google DeepMind 发布 SynthID Bio,将不可感知的签名直接嵌入 AI 生成蛋白质的生物代码,使水印不仅能在数字模型上验证,也能在合成出的物理蛋白质上验证,同时在实验室测试中保持其生物功能。

    推荐理由:原文把水印验证层嵌入生物设计本身,读者可据此理解 AI 生成蛋白质的溯源与 DNA 合成筛查新机制。

9月29日周二
  1. Hugging Face Blog61

    ProvenanceGuard:为 MCP 智能体提供来源感知的事实性验证

    Multiverse Computing 发表论文 ProvenanceGuard,提出面向 MCP 智能体的来源感知事实性验证方法,专门检测事实成立但归属来源错误的跨来源混淆问题。

    推荐理由:论文针对 MCP 智能体的跨来源混淆问题提出来源感知验证方法,在医疗测试中拦截了专家判定不应通过的 139 条声明里的 138 条。

9月25日周五
  1. Google Research64

    Google Research 发布连贯长视频生成研究框架套件 Co-Director、CANVAS、A²RD 与 VQQA

    Google Research 发布面向连贯长视频生成的研究框架套件,将长视频生成建模为全局优化与世界状态追踪问题,在多镜头叙事一致性与角色持久性上取得显著提升。

    推荐理由:原文把长视频生成拆解为全局优化与世界状态追踪四个框架,并给出各基准上的量化提升,可据此对照现有 Agent 编排管线的短板。

9月24日周四
  1. NVIDIA Blog66

    NVIDIA 与 Google DeepMind 如何借开放病毒蛋白结构数据帮助研究者应对下一次疫情

    NVIDIA 联合 Google DeepMind、EMBL-EBI 等机构,在 AlphaFold Database 中开放 2800 多种病毒的蛋白复合体预测三维结构,约 30% 的蛋白相互作用为科学界此前未记录。

    推荐理由:开放数据集与 BioNeMo 结构预测流程的发布,让研究者能针对自选病毒蛋白靶点批量预测三维结构,降低实验成本。

9月21日周一
9月19日周六
9月18日周五
9月16日周三
9月11日周五
9月8日周二
  1. Google DeepMind80

    Google DeepMind 发布 AlphaGenome Atlas,预测人类基因组全部单字母变异的分子影响

    Google DeepMind 发布 AlphaGenome Atlas,这是一个包含人类基因组全部 90 亿个单核苷酸变异分子效应预测的平台,即日起通过免费网站门户向学术研究开放。

    推荐理由:Atlas 把 AlphaGenome 的预测预计算成覆盖全部 90 亿变体的图谱,规模超 AlphaFold 数据库 30 倍,可对照后者的路径评估其科研影响。

7月29日周三
7月26日周日
5月8日周五
4月20日周一
  1. Berkeley AI Research43

    GRASP:面向长时程世界模型的梯度规划方法

    GRASP 是一种面向学习式世界模型的新型基于梯度的规划器,让长时程规划真正可行。它将轨迹提升至虚拟状态以实现跨时间并行优化,向状态迭代直接注入随机性促进探索,并重塑梯度使动作获得干净信号,同时避开穿越高维视觉模型的脆弱“状态-输入”梯度。长时程规划此前因深度计算图病态、梯度爆炸或消失以及非贪心优化陷阱而普遍脆弱。

3月13日周五
1月10日周六
  1. Berkeley AI Research45

    成像系统的信息驱动设计

    一篇 NeurIPS 2025 论文提出基于互信息的成像系统评估与优化框架,仅用含噪测量和噪声模型即可直接估计信息量。该指标在彩色摄影、射电天文、无透镜成像和显微成像四个领域准确预测了下游重建质量,优化它得到的设计可媲美 state-of-the-art 端到端方法,且内存与算力开销更低、无需任务专用解码器。互信息将噪声、分辨率、采样等传统上分离的质量指标统一为单一数值。