#数据/训练.

AI 导读Google DeepMind 介绍其智能体开发平台 Google Antigravity 如何用于抗菌肽发现，把原本分散在多个数据库的检索压缩到一次会话中。平台借助 ProtNLM 模型从氨基酸序列预测生物功能，扫描 UniProt 中数百万个此前未表征的蛋白质，并找到一条对呼吸道感染相关病原体有预测活性的新型抗菌肽候选，目前正进行湿实验验证。

AI 选稿理由原文给出智能体科研工作台与 3D 结构查看器的协作流程，读者可了解生物学家如何把跨库检索压缩进单次会话。

AI 导读NVIDIA 披露其在北欧的技术生态投入，包括投资瑞典初创公司 Lovable 和 Legora，Lovable 正用 NVIDIA Dynamo 与 Nemotron 优化开放模型推理。

AI 导读NVIDIA 加入欧盟委员会在都柏林 AI in Science Summit 上启动的 AI in Science Enablers Initiative，为欧洲研究界提供加速工具、算力、技能培训与协作项目支持。

AI 导读MIT等机构研究人员开发了一种机器学习后处理模型，通过学习历史数据修正现有预报系统的误差，在2至6周的次季节预报中将黄金标准模型的预测能力提升一倍，并首次稳定超越气候学平均值。该方法还显著提升了对洪水、寒潮等极端天气的预测能力，相关成果发表于《Nature》，并在ECMWF预报竞赛中获第一名。模型训练使用MIT超级计算集群，但运行不依赖超算。

AI 选稿理由该方法首次让2至6周次季节预报稳定优于气候学平均，并提升极端天气预测，能源运营商、农户和应急部门可借此延长决策窗口。

AI 导读MIT McGovern 研究所团队 10 月 9 日在 PNAS 发表论文，提出衡量人工神经网络生物学合理性的关键指标是自组织能力，而非仅看性能。他们构建的网络从多层随机连接单元出发，仅靠“同时激活的神经元连接增强”等简单规则，就能自我重组为有效的信息处理网络，学会模式识别和图像分类，性能与依赖反向传播的网络相当。研究目标是理解大脑如何学习，并可能反哺机器学习。

AI 选稿理由该工作展示了无需外部设计者、仅靠简单局部规则即可自组织出学习能力的网络，为神经科学提供更贴近生物的学习模型，也为脑机接口等需要理解神经元交互规则的应用提供基础。

AI 导读微软研究院推出 StudentSim，一种从公开去标识化学习记录中训练个性化 AI 学生模拟器的研究系统，用于在真实学习者测试前评估和改进 AI 辅导系统。该系统提出 StudentSimEval 基准，从行为保真度和指导响应性两个维度评估模拟器，覆盖国际象棋、第二语言英语写作和数学三个领域，表现优于主流基线。StudentSim 并非产品，不在课堂部署，也不旨在取代教师。

AI 导读微软研究院开源 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，让部署时使用的同一套 agent harness 直接参与 RL 训练，无需在训练框架内重新实现智能体。

AI 选稿理由微软研究院开源 Agent Lightning v1.0，给出约 3500 行代码的完整智能体 RL 控制面与真实 harness 训练路径，可对照其 6000 样本训练配方评估落地成本。

AI 导读AI2 发布 Olmo-core 3，这是其大语言模型训练框架的重大升级，重新设计了开放的 MoE 训练系统，目标是把 MoE 训练扩展到万亿参数规模并保持计算效率。

AI 选稿理由原文给出 MoE 训练栈的并行策略与吞吐对比数据，可了解万亿参数 MoE 训练的开源工程取舍。

AI 导读NVIDIA 第 26 届研究生奖学金项目面向全球开放申请，每位学生最高可获 6 万美元资助，覆盖 AI、机器学习、自动驾驶、计算机图形、机器人、医疗和高性能计算等方向。

AI 导读微软研究院开发了一套端到端机器学习流水线，利用太阳风观测与 AE、Dst 指数预报，结合纬度、地质电导率等本地条件，为美国本土 66,935 座变电站生成 30-60 分钟前的空间天气风险估计。