微软研究院开源 Agent Lightning v1.0，一个约 3500 行代码的轻量级智能体强化学习框架，提出 Harnessed Agentic RL 范式，让部署时使用的 agent harness 直接参与训练，无需在训练框架内重写智能体。
推荐理由：微软研究院开源 Agent Lightning v1.0，给出真实 harness 参与 RL 训练的设计与 3500 行代码实现，可据此评估自建智能体训练链路。
Google DeepMind 发布 SynthID Bio，将水印技术引入合成生物学，把不可感知的签名直接嵌入生物代码，使水印不仅能在数字模型上验证，也能在合成出的实体蛋白质上验证，同时保持其生物功能。
推荐理由：SynthID 水印首次延伸到合成生物学，读者可了解 AI 生成蛋白质如何在保留功能的前提下被标记与筛查。
微软研究院对移动操作机器人工作负载做了系统性测量，发现把物理 AI 推理从机器人本体 GPU 卸载到边缘或云端 GPU，可提升任务成功率并支持更大的模型。
推荐理由：微软研究院首次系统测量机器人本体推理与卸载推理的差异，给出任务成功率、电池续航和工具链层面的可迁移结论。
微软研究院在 Nature 发表逆合成模型 RetroChimera，并开源其实现与权重。该模型融合 Transformer 模型 R-SMILES 2 与 GNN 模型 NeuralLoc，通过学习式重排序整合两者互补预测，在盲测中化学家更偏好其单步反应预测。
微软研究院发布 GigaPath-Flash 和 GigaTIME-Flash，用蒸馏自十亿参数 GigaPath 编码器的 22M 参数 ViT-S 骨干替代原模型，在 PANDA 前列腺分级和 EBRAINS 脑肿瘤分型基准上以约 50 倍更少算力达到原 GigaPath 3% 以内的性能。
Berkeley AI Research 与 IBM Research 将演化式内核搜索框架 K-Search 扩展到 MLX 后端，通过结构化的 CUDA 到 MLX 翻译层，让已有 CUDA 内核作为知识库适配 Apple Silicon。
推荐理由：K-Search 把 CUDA 内核优化经验迁移到 Apple Silicon，读者可看到跨硬件迁移的具体方法与实测差距。
Berkeley AI Research 提出 SPEX 与 ProxySPEX 算法，可在特征归因、数据归因和机制可解释性中大规模识别驱动模型输出的关键交互。
伯克利 AI 研究团队提出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，在彩色摄影、射电天文、无透镜成像和显微镜四个领域预测解码器性能。该方法在 NeurIPS 2025 论文中展示，优化信息量得到的设计可匹配 SOTA 端到端方法，同时占用更少内存和算力，且无需任务专用解码器设计。