MIT 等机构的研究团队在 Nature 发表论文，提出一种机器学习后处理层，学习并修正现有预报模型的误差，将 2 至 6 周次季节预报的准确率提高一倍，并在 ECMWF 的预报竞赛中夺得第一。该模型首次在这一时间尺度上超过气候平均值，同时显著提升了对极端天气的预测能力，且为开源、低成本的附加模块，可搭配任意预报模型使用。
推荐理由：研究把机器学习后处理叠加到现有预报模型上，使 2 至 6 周的次季节预报首次超过气候平均值，为极端天气预警提供新路径。
NVIDIA 宣布对 Boltz、Foresight、Hiverge、Prima Mente 和 Riverlane 五家英国 AI 与量子计算初创公司进行新投资，此前已投资 Basecamp Research、Synthesia、Wayve 等，并承诺五年 2.5 亿美元算力投入英国智能体安全与安保研究。
MIT McGovern 研究所与 ICoN 中心 10 月 9 日在 PNAS 发表论文，论证判断人工神经网络是否具备生物合理性的关键指标是自我组织能力，并展示一组随机连接的单元仅凭简单规则即可重塑为有效的信息处理网络，在图像分类任务上表现与依赖反向传播设计的网络相当。研究者认为，若大脑确实使用这类突触 motif 完成反向传播的功能，将在机制层面打通人工网络与生物大脑。
NVIDIA 介绍如何借助 AI 智能体将 Apache Spark UDF 重写以适配 GPU 加速。面对 AI 智能体带来的企业数据查询量激增，NVIDIA cuDF 利用大规模并行与高带宽显存提升数据吞吐，从而在不显著增加成本的前提下满足需求。
Meta 介绍了新一代生成式广告模型 GEM，将此前按 Facebook、Instagram、Reels 等场景分别优化的做法改为单一中心基础模型，统一预测跨场景点击与转化。
Meta 发布 2026 代 GEM 广告推荐基础模型，从按 Facebook、Instagram、Reels 等场景分别优化转向单一中心基础模型，跨全部广告平台学习数据与信号。
微软研究团队提出 StudentSim，一个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之前评估和改进 AI 辅导系统。该工作同时推出 StudentSimEval 基准与评估协议，覆盖国际象棋、第二语言英语写作和数学，从行为保真度和引导响应性两个维度评估模拟器，StudentSim 在这些领域均优于主流基线。
AWS 发布 Ray LLM Deep Learning Containers，支持在 Amazon EKS 上跨两个 GPU 节点部署单个 LLM，将 prefill 与 decode 分离运行并统一在一个 OpenAI 兼容端点后。
在 OCP Global Summit 上，NVIDIA 通过开放的 MGX 架构向 OCP 贡献了 Vera Rubin 机架和计算托盘设计，为系统构建者提供开发下一代 AI 工厂基础设施的通用基础。
Ai2 用 GPU 时间预算、分层公平分配和时间切片合约替换了原有的优先级调度器，把各研究项目该分多少 GPU 时间的争论从逐案运维操作变成透明的预算流程。其集群由数千块 NVIDIA H100、B200、B300 组成，规模 88 至 1024 块，服务约 150 名内部研究者，而排队需求常年是可用容量的 2-3 倍。
MIT 统计与数据科学中心主任 Sasha Rakhlin 发表文章，讨论 AI 如何改变学术界，尤其是数学、统计、机器学习和工程领域的研究生科研与培养。他指出，去年有模型在国际数学奥林匹克达到金牌水平，一年后模型已能产出新研究结果，验证速度与可靠性是决定各学科 AI 进展快慢的关键。他建议院系重新思考学术贡献认定，并建设共享 AI 研究基础设施，以捕捉假设、干预、失败与解读等隐性知识。
NVIDIA KGMON 团队在 KDD Cup 2026 Data Agents 竞赛中获得第二名，其方案的核心思路是让智能体的 harness 更小、更清晰、更易验证。该竞赛要求智能体在数据库、CSV 和 JSON 文件、散文文档、PDF 及简报视频等异构数据源上回答自然语言问题。
针对多个团队共享昂贵 GPU 集群的需求，AWS 给出了一套基于 Amazon SageMaker HyperPod 与 EKS 的多租户参考架构，通过 Kubernetes 命名空间隔离工作负载、HyperPod Task Governance 做公平资源分配、命名空间级成本分摊实现按团队计费。
MIT 电子工程与计算机科学系副教授 Christina Delimitrou 用机器学习提升大规模数据中心的效率、安全性与可靠性，通过重新设计云计算系统、管理共享硬件资源、精简服务器架构，让运营方在现有硬件上获得更多算力。她与团队发现多数大型系统利用率仅约 15%，开发出用深度学习预测并预防 Web 应用故障的工具 Seer，并借助 AI 帮助程序员定位云端应用问题、减少停机。
英伟达团队从 Nemotron 3 出发，用监督微调、强化学习和反馈驱动的推理循环，让 Nemotron-3-Ultra-CC 在 IOI 2026 拿到 535.4/600，超过 361.12 的金牌线；通用版 Nemotron 3 Ultra 配合 SFT、RL 检查点在生成-验证-修正系统中于 IMO 2026 得到 30/42，超过 29 的官方金牌线。
推荐理由：原文公开了从 Nemotron 3 到 IOI、IMO 金牌级系统的完整微调配方与数据规模，可据此评估领域特化模型的可复现路径。
NVIDIA 提出用数字孪生与 AI 智能体验证 AI 工厂的变更。AI 工厂融合 GPU、CPU、交换机、DPU 与 SuperNIC，并叠加大规模调度器、编排服务和安全控制。面对快速迭代的软件栈，验证基础设施、软件与策略能否协同支撑目标负载同样棘手。
林肯实验室超级计算中心（LLSC）自 2018 年起持续开展 Lincoln AI Computing Survey（LAICS），梳理商用 AI 加速器的峰值性能与峰值功耗。
NVIDIA Megatron Core 支持可扩展的逐位确定性预训练，让大规模预训练更易调试、验证和可复现地恢复。在数千块 GPU 上训练万亿参数模型时，多种并行维度、低精度计算和分布式 checkpointing 会加大故障复现与修复验证难度。
NVIDIA DOCA GPUNetIO 让网络与数据搬运由 GPU 直接控制，不再依赖 CPU 中转。CPU 若处在每次网络事务的关键路径上会成为瓶颈，增加延迟并限制分布式应用的实时响应效率。该方案旨在 NVIDIA 软件栈中统一 GPU 发起的网络通信。
Microsoft 的 Jennifer Neville 在 Microsoft Research Podcast 中与 Chad Atalla 对谈，讨论评估如何推动 AI 系统性能边界、模型超出传统基准测试时出现的"意外失败"，以及数据为何值得细看。
针对多团队共享一个 Amazon SageMaker HyperPod 集群时的治理难题，AWS 给出组织、项目、集群、工作负载四层控制模型。其中项目只是协作边界而非运行时安全边界，集群与稀缺加速器容量应集中在单一 capacity account 中管理。
MIT 宣布启动校级战略计划 MIT for America，面向从幼儿园到社区学院的学生加强全美 STEM 教育，覆盖数学思维、AI 应用与动手设计制造三大方向。
阿联酋发布 Falcon-Emirati-7B，一个在 Falcon-H1-Arabic 之上专攻阿联酋阿拉伯语方言的模型，目标是以母语者的词汇、语气和文化语境理解和生成方言。
NVIDIA Inception 计划中的多家创业公司正用 AI 打通乳腺癌诊疗链条。iSono Health 的 ATUSA 可穿戴自动 3D 超声平台获 FDA clearance，约两分钟完成单侧乳房扫描，比手持超声的 45 分钟大幅提速，其 AI 在超 150 万帧超声数据上训练，灵敏度比手持 2D 超声高 28%。
Hugging Face 开源 AstaBrief 8B，一个基于 Qwen3-8B 微调、可将研究问题与检索文献片段生成带引用报告的模型。
ServiceNow CoreAI 构建了 AutoSynthData，用目标模型的失败案例与更强教师模型的成功轨迹定位能力缺口，再生成并验证新的可执行任务用于后训练，课程随模型进步向剩余难点迁移。
uniopen 通过 Amazon SageMaker AI 对 Amazon Nova 2 Lite 做监督微调，并叠加提示词层面的输出优化，使其适配自身零售内容审核策略。
AI2 发布 Olmo-core 3，这是其大语言模型开发框架的一次重大升级，核心是一套重新设计的开源 MoE 训练系统，目标是把 MoE 训练扩展到万亿参数规模。
推荐理由：原文给出 MoE 训练栈在专家池扩展与吞吐上的实测对比，可据此判断大 MoE 训练的开源可选方案。
NVIDIA 提出 AI 工厂回报由三要素决定：每兆瓦盈利能力、硬件使用寿命和 token 需求。SemiAnalysis AgentX 数据显示，Vera Rubin NVL72 每兆瓦吞吐量超 GB300 NVL72 的 30 倍，在 DeepSeek V4 Pro 上每百万 token 成本低至 45 倍；2020 年发布的 A100 六年后仍在商用，CUDA 跨代兼容让已部署硬件持续创收。
NVIDIA 针对沙特阿拉伯语方言微调 Nemotron 模型，以解决区域方言和本地录音条件在预训练数据中代表性不足、导致多语言模型在真实部署中表现欠佳的问题。基础模型可能识别现代标准阿拉伯语，却在沙特方言场景下失准，该工作同时给出向其他语言扩展的路径。
NVIDIA 发布 cuObject 和 SCADA Server SDK，为 AI 基础设施工程师、存储开发者与云服务商提供对高容量文件与对象存储的快速安全访问。AI 负载在训练、微调、推理上下文、工具调用、搜索和数据库查询中越来越需要高速数据访问，而这些数据大量存于本地与云端的文件及对象中。
针对 RAG 在数百份合同上做汇总统计会算错的问题，AWS 给出了一套合同智能平台架构：AI 提取智能体（Claude Sonnet 系列）从 PDF 中抽取 8 个关键字段并附置信度。
NVIDIA 发布开源表格基础模型 Kumo Tabular，属于 NVIDIA Kumo Structured 模型系列，已在 Hugging Face 上线，参数规模 28M 到 215M，采用 OpenMDW-1.1 许可支持商用。
微软研究院发布 Quine，一个面向生物学复杂性的 AI 研究系统，由跨基因组、蛋白质、化学、RNA 与细胞状态、生物成像等模态联合训练的世界模型和连接模型、科学工具、文献与实验人员的 harness 组成。
推荐理由：微软研究院公开 Quine 的生物世界模型设计，并给出胰腺癌化合物筛选在湿实验中获验证的案例。
Microsoft Research Asia – Singapore 作为微软在东南亚的首个研究实验室已成立一年，团队规模扩大并深化了与新加坡高校、政府机构和产业的合作。
MIT 研究团队借助 AI 算法调整脂质纳米颗粒（LNP）周围的辅料配方，使 RNA 疫苗在室温下可稳定保存长达一年，或在 37 摄氏度（98 华氏度）下保存两个月。
推荐理由：MIT 团队用 AI 算法筛选辅料配方，把 RNA 疫苗从超低温冷链中解放出来，读者可看到小数据集算法如何加速生物实验设计。
MIT 本科生通过 PKG 中心 2026 年 Code.Tulsa 项目，在俄克拉荷马州塔尔萨为 Muscogee Nation 开发首个 PRAMS 孕产妇健康调查，并参与 AI、数据科学等技术项目。
NVIDIA 介绍面向生物基础模型的高效 MoE 训练方法，指出稠密 Transformer 中每个 token 都要过每一层，扩容会同时推高训练与推理算力；MoE 则用多个子网络（专家）替代，每个 token 只激活其中一小部分。
NVIDIA 联合 Google DeepMind、EMBL-EBI 等机构，通过 AlphaFold Database 公开 2800 多种病毒的蛋白复合物预测 3D 结构，供任何科学家免费使用。
推荐理由：NVIDIA 联合 Google DeepMind 等开放 2800 多种病毒的蛋白复合物预测结构，读者可了解数据集规模与可复用的推理流程。
MIT Senseable City Lab 团队出版新书《How AI Sees the City: Urban Visual Intelligence》，系统梳理视觉 AI 用于城市研究的可能与隐患。