Google DeepMind 发布 SynthID Bio，将水印技术用于合成生物学，把不可感知的签名直接嵌入生物代码，在实验室测试中保持蛋白质的生物功能。该方法针对序列微调氨基酸选择、针对 3D 结构调整原子坐标，并微调 AlphaFold 3 扩散网络的一小部分，使预测坐标自带可检测签名。
推荐理由：读者可了解水印如何嵌入蛋白质序列与 AlphaFold 3 结构，以及它对 DNA 合成筛查的意义。
微软研究院推出 AI 研究系统 Quine，由生物世界模型和连接模型、科学工具、文献与研究者的交互框架组成，可跨基因组、蛋白质、化学、RNA 与细胞状态、生物成像等模态学习共享表征。
推荐理由：原文给出胰腺癌细胞状态转换的湿实验验证结果，读者可据此判断多模态生物世界模型在药物优先级排序中的实际作用。
Microsoft Research Asia 新加坡实验室成立一年，作为微软在东南亚的首个研究实验室，聚焦下一代 AI 模型与智能体系统、领域专用 AI、AI 原生研究实践及生态与人才培养四大方向。
GitHub Copilot 应用中的 canvas 是一种用户与智能体共享的可定制界面，可通过 /create-canvas 技能用自然语言描述生成看板、发布清单或仪表盘，无需手写代码或设计布局。canvas 具备双向同步能力，用户点击按钮、移动卡片与智能体的修改会即时互相可见，无需额外发送或同步步骤。生成的 canvas 会保存为扩展，可随项目共享给团队或保存为个人扩展复用。
GitHub Copilot 应用推出 canvas，一种在应用内运行、无浏览器界面的全栈小应用，可与 Copilot 智能体双向通信。它支持调用第三方 API 并在本地执行代码，示例包括 Connect 4 游戏、Winget 包管理界面和 SQLite 数据库操作。作者认为聊天框常是错误交互界面，让智能体构建工具比反复消耗 token 更划算。
GitHub Security Lab 发布 Fuzzing Taskflow，一个面向 C/C++ 项目的自主模糊测试流水线，只需指向一个 GitHub 仓库，它就能自动识别入口点、分析构建系统、编写 harness、运行 AFL++、读取覆盖率报告并改进 harness，最后对每个崩溃做分类并生成漏洞报告。
推荐理由：原文完整交代了智能体与工具分工的架构取舍，对想用 LLM 自动化安全测试的团队有方法参考。
微软研究院对移动机器人操作负载做了系统测量，发现把物理AI推理从机器人板载GPU卸载到边缘或云端GPU，可提升任务成功率并延长续航。在内存不足的小GPU上，建图与规划比A100慢最多383%，导航障碍及时检测率下降30%，VLA模型精度下降50%；用Raspberry Pi-5替代板载GPU后，Jetson Thor等大GPU曾使Stretch-3续航缩短最多160%。
推荐理由：微软团队系统测量了机器人端侧与卸载推理的差异，给出任务成功率与续航的量化对比，可供设计物理AI推理系统参考。
Berkeley Sky Lab 团队在 K-Search 进化式内核搜索框架上新增 MLX 后端，并设计结构化 CUDA-to-MLX 翻译层，把已有 CUDA 内核作为知识库改写为 Apple Silicon 上的高质量内核，而非逐条指令照搬。
Berkeley AI Research 提出 ABBEL 框架，将摘要的信息内容隔离为自然语言信念状态并加以监督，以替代完整交互历史作为智能体的工作上下文。研究指出，递归摘要虽能压缩上下文，但在高质量数据稀缺的人类协助场景（如协作代码生成）中会带来明显性能损失。该框架通过信念评分监督每个信念状态的内容来提升表现。
UC Berkeley 团队提出，推理价格从 2023 年初 GPT-4 级约 $30/百万 token 降至如今不足 $1，部分厂商已低于 $0.10，基准测试中年度降幅在 9x 到 900x 之间、中位数约 50x。作者认为近乎免费的智能带来三类新挑战：为智能体设计的数据系统、由智能体运行的数据系统，以及智能体自行合成定制数据系统。
BAIR 实验室展示 2026 届博士毕业生，其研究覆盖机器人、LLM 与推理、计算机视觉、生成建模、AI 安全、人机交互及 AI for 科学和医疗等方向。毕业生去向包括教职、博士后、产业研究实验室和自创初创公司，部分人仍在探索下一步。
自适应并行推理让推理模型自行决定何时分解并并行化独立子任务、开启多少并发线程以及如何协调。相比随探索量线性增长的串行推理，该范式可缓解上下文退化与延迟随推理长度成比例上升的问题。文章梳理了并行推理领域近期进展，包括作者参与提出的 ThreadWeaver。
Berkeley AI Research 提出 GRASP，一种面向学习动力学（世界模型）的梯度规划器，通过将轨迹提升到虚拟状态实现跨时间并行优化、在状态迭代上直接加入随机性以探索、并重塑梯度让动作获得清晰信号，同时避开经由高维视觉模型的脆弱状态输入梯度，使长时程规划更实用。
Berkeley AI Research 介绍 SPEX 和 ProxySPEX 两种算法，用于在大规模 LLM 中识别关键交互。方法以消融归因为核心，通过移除输入片段或组件并测量预测变化来衡量影响。随着特征、训练数据和模型组件数量增长，潜在交互数呈指数级上升，穷举分析在计算上不可行。