微软研究院开源 Agent Lightning v1.0，一个约 3500 行代码的轻量级 Agentic RL 框架，提出 Harnessed Agentic RL 范式，让部署时使用的 agent harness 直接参与强化学习，无需在训练框架内重新实现 agent。
推荐理由：微软开源 3500 行 Agent RL 框架，给出真实 harness 训练与 Kubernetes 部署路径，可迁移到自有智能体训练流程。
Google DeepMind 推出 SynthID Bio，把水印技术带入合成生物学，将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，读者可了解其在蛋白质序列与结构上的实现方式及生物安全用途。
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 推理从机器人端侧 GPU 卸载到边缘或云端 GPU，可提升任务成功率、支持更大的模型并延长电池续航。
推荐理由：微软研究院系统测量了机器人端侧推理的瓶颈，并给出可复用的卸载工具链，读者可据此判断物理 AI 的部署取舍。
微软研究院在 Nature 发表逆合成预测框架 RetroChimera，它结合 Transformer 模型 R-SMILES 2 与基于 GNN 的模板模型 NeuralLoc，用学习式集成策略对两者预测排序。
推荐理由：微软研究院公开 RetroChimera 的架构与盲测结果，并开源权重，读者可据此了解逆合成预测的集成思路。
Berkeley AI Research 与 IBM Research 将 K-Search 进化式内核搜索框架扩展到 MLX，通过结构化 CUDA-to-MLX 翻译层把已有 CUDA 内核作为知识库，在 Apple Silicon 上生成高质量内核。
推荐理由：K-Search 把 CUDA 内核优化经验迁移到 Apple Silicon，给出注意力与 Mamba 两类内核的实测数据，可看跨平台迁移方法。
Berkeley AI Research 提出 SPEX 与 ProxySPEX 算法，可在特征、数据与模型组件归因中大规模识别驱动 LLM 输出的关键交互。SPEX 利用稀疏性与低阶性把交互搜索转为稀疏恢复问题，ProxySPEX 进一步利用层次结构，以约 10x 更少的消融达到 SPEX 的性能。
Berkeley AI Research 提出一种直接基于信息含量评估和优化成像系统的框架，用互信息量化测量对物体的区分能力，仅需噪声模型和测量数据即可估计。该框架在彩色摄影、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方法水平，且内存和计算需求更低、无需任务专用解码器。