微软研究院开源 Agent Lightning v1.0，一个约 3500 行代码的轻量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新实现智能体。
推荐理由：微软研究院开源 Agent Lightning v1.0，读者可了解无需重写 harness 的智能体 RL 训练范式与 3500 行实现。
英伟达团队从 Nemotron 3 出发，用 SFT、RL 和生成-验证-精炼推理流程，让模型在 IOI 2026 拿到 535.4/600、在 IMO 2026 拿到 30/42，均超过官方金牌线。
推荐理由：原文公开了从 Nemotron 3 微调到 IOI、IMO 金牌级成绩的完整配方与数据集，可复用到其他高难领域。
OpenAI 发布内部前沿模型在数学开放问题上的新结果，并在 GitHub 公开 Lean 证明形式化与研究细节。
推荐理由：OpenAI 公开内部前沿模型在数学开放问题上的结果与 Lean 形式化证明，可了解其研究路径。
基于开源智能体系统 OpenClaw 与 Amazon Bedrock AgentCore runtime，可搭建具备长期记忆的个人 AI 助手，用 AgentCore memory 把一次性对话转为持久知识，并支持结构化元数据检索。
Google DeepMind 发布 EmbeddingGemma 2，一个基于 Gemma 4 架构、Apache 2.0 许可的开源多模态嵌入模型，参数量 740M，可将文本、图像、音频、视频映射到统一嵌入空间。
推荐理由：官方给出参数量、分模块编码器与端侧内存占用，可据此判断本地多模态检索的落地成本。
Amazon Quick 的 Quick Resource Migrator 是一个托管在 Amazon Bedrock AgentCore 上的 MCP server，可通过单次工具调用将 chat agents、action connectors、知识库、flows 和 spaces 从开发账户迁移到生产账户。
Ai2 开源 AstaBrief 8B，一个把研究问题和检索到的文献片段转成带引用报告的小模型，基于 Qwen3-8B 训练，已作为 Asta 的 Fast 模式上线，同时开放模型权重和训练数据。
推荐理由：原文给出了从 Qwen3-8B 出发的 SFT 加 DPO 训练配方与数据过滤经验，可迁移到其他垂直领域小模型。
Google DeepMind 发布 SynthID Bio，将 SynthID 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 水印技术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持功能的同时被标记与验证。
NVIDIA 发布开源表格基础模型 Kumo Tabular，给定带标签的表格行即可在单次前向中预测新行标签，支持分类与回归，无需训练、调参和特征工程。模型提供 28M 到 215M 三种规模，仅用人工合成表格预训练，采用 OpenMDW-1.1 许可可商用，并在 TabArena、BeyondArena、TALENT 和 ScoringBench 四个基准上排名第一。
推荐理由：原文给出模型规模、单次前向预测方式和四个基准排名，可据此判断表格基础模型对现有建模流程的替代空间。
H 公司发布 Holo4 系列智能体模型，包含 27B 稠密版和 35B-A3B MoE 版，两者均已在 H Models API 上线，权重以 BF16、FP8、NVFP4 和 4-bit GGUF 格式开源在 Hugging Face。
推荐理由：Holo4 同时覆盖 GUI、代码、MCP 与 API 四种接口，并公开全部评测轨迹，读者可据此判断通用计算机智能体的成本与能力边界。
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 可提升任务表现。
推荐理由：微软研究院系统测量了机器人端侧 GPU 推理的性能与续航代价，并给出可复用的卸载工具链，为物理 AI 推理架构提供实测依据。
微软在 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，在常见与罕见反应类型上均表现强劲。
Google Research 发布 MilleMiglia，一个用 C++ 编写的实例生成器，用于为中段物流配送问题生成真实且保护隐私的基准数据，源码与文档已在 GitHub 公开。
微软研究院推出 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。