研究团队把 LeCun 的 JEPA 扩展为跨领域的通用世界模型 JEPA-Anything
PhAI Labs 联合 Stanford、Oxford、Princeton 的研究团队提出 JEPA-Anything，把 JEPA 的预测状态拆成四个正交因子、各自配备预测模块后再重组，以避免简单模式淹没困难模式。
#数据/训练
The DecoderAI 评分7272
Google Research精选AI 评分6868 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。
NVIDIA Blog精选AI 评分6666 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。
Google ResearchAI 评分3737 MilleMiglia：面向中间里程物流的现实实例生成器
Google Research 推出 MilleMiglia，一个用 C++ 编写的中间里程物流实例生成器，可生成现实且保护隐私的基准数据。该工具旨在解决中间里程优化研究缺乏公开高质量数据的问题，将配送建模为时空图上的多商品流问题。源代码和文档已在 GitHub 开源。
Google ResearchAI 评分4343 绕过推理瓶颈：用 Retrieve-for-Train 加速复杂 AI 搜索
Google Research 在 ICML 2026 论文中提出 Retrieve-for-Train 框架，用离线 RL 将数据库感知的查询分解编译为监督信号，推理时无需思考 token 即可单次生成属性对齐的查询扇出。
Import AIAI 评分3434 Import AI 470：机器无权利；用 SPADE 自动化环境生成；用 Hawkeye 构建更优 GPU kernel
多校研究者推出 SPADE 框架，让 LLM 在自博弈中交替生成可执行训练环境并尝试求解，用强模型生成的合成数据反哺模型自身训练。SPADE 在 Qwen3-30B-A3B-Instruct-2507 上经 GRPO 微调后，游戏环境套件平均分达 58.3，较 base 提升 8.1；METR 另分析称 AI 显著加速了网络安全漏洞发现，对数学研究仅有小幅加速，对 AI 研究优化尚无可测加速。
Berkeley AI ResearchAI 评分4444 自适应并行推理：高效推理扩展的下一个范式
Berkeley AI Research 的分析指出，自适应并行推理正成为高效推理扩展的下一个范式——由模型自行决定何时分解子任务、生成多少并发线程并加以协调。