Google DeepMind 发布 AlphaGenome 2，可预测 DNA 变异在特定细胞类型中的作用
Google DeepMind 发布新一代 DNA 序列模型 AlphaGenome 2，可预测 DNA 序列及其变异如何影响特定人类细胞类型，从而帮助定位疾病相关的细胞驱动因素。
推荐理由：从组织整体平均预测转向按细胞类型条件预测，能帮研究者定位只在特定细胞中起作用的疾病相关变异。
内容类型
论文研究 最新动态
值得读的 AI 论文与研究成果：架构创新、训练方法、能力测量与理论进展。
9 条精选近 30 天 7 条共收录 26 条
更新
论文研究的精选
Google DeepMind精选AI 评分7474 Microsoft Research精选AI 评分6868 微软研究揭示 Lazarus：改写休眠神经元即可后门 AI 智能体
微软研究人员发现名为 Lazarus 的后门技术，只需对 LLM 中不到 10 个休眠神经元做权重改写、无需训练，就能让智能体在触发条件出现时执行攻击者命令，同时照常通过标准评测。
推荐理由：微软研究者披露不重新训练即可后门智能体的方法，并解释来源校验为何成为模型部署的关键防线。
Google Research精选AI 评分7272 Google Research 用智能手表传感器检测高血压迹象
Google Research 在 Nature 发表多模态 AI 系统 AI-PPG-ACC-HTN，利用智能手表 PPG 与 ACC 传感器被动检测高血压迹象，无需袖带校准。
推荐理由：研究用智能手表PPG与ACC信号在无需袖带校准下识别高血压，并与24小时动态血压监测对照。
Microsoft Research精选AI 评分6464 微软研究院发布 PDD Kit，用形式化证明校验智能体编写的全栈 Web 应用
微软研究院发布研究原型 PDD Kit，把开发者的自然语言意图转成 Verus 形式规范，再证明编码智能体写出的代码对每个输入都满足该规范，证明无法覆盖的部分退回测试验证。
推荐理由：微软研究院展示把自然语言意图转成 Verus 形式规范、再由证明约束智能体写码的流程，并公开了信任边界的处理方式。
Google Research精选AI 评分6363 Google Research 在 JAMA Network Open 发表盲扫超声 AI 估测孕龄研究
Google Research 在 JAMA Network Open 发表研究，用 AI 解读未受专业超声训练的操作者采集的盲扫超声图像来估测孕龄。在 385 名 16 至 36 周孕妇的主队列中，模型平均绝对误差为 4.18 天，专家标准流程为 4.48 天；在芝加哥适配后误差为 4.10 天，在未做本地优化的内罗毕为 4.27 天。
推荐理由：在芝加哥和肯尼亚两地开展前瞻性验证，展示了模型在现场设备和仅接受过简单培训的操作员条件下仍保持泛化，为医疗 AI 跨场景落地提供了可参考的实证。
Microsoft Research精选AI 评分6868 微软研究院等证明 KLS 猜想，用 AI 智能体辅助探索 100 多条路径
微软研究院研究员张新智与合著者证明了一个存在 31 年的数学难题，即高维几何中的 Kannan-Lovász-Simonovits（KLS）猜想，证明它时所用的固定界不随维数增长。
推荐理由：这篇论文证明了一个存在 31 年的数学猜想，其中人机协作探索的路径可以作为参考。
Google Research精选AI 评分6969 Google Research 介绍让 AI 智能体扎根生物实验的三项研究
Google Research 发布博客，介绍三项连接 AI 计算探索与真实湿实验室实验的研究进展。其一为基于开源 PyLabRobot 的 VERID 框架，用实验室工作站的语义数字孪生支持实时三维状态追踪、秒级虚拟试运行和硬件安全检查。
推荐理由：Google Research 公开了三项研究，展示 AI 智能体如何接入真实湿实验室，覆盖从机器人执行到分子设计闭环。
GitHub Blog · AI & ML精选AI 评分6262 GitHub 发布 ReviewBench 开源 AI 代码评审基准
GitHub 发布代码评审基准 ReviewBench，基于 1.039 亿条真实 PR 的分布构建，包含 219 条来自 187 个开源仓库、覆盖 19 种语言的 PR。
推荐理由：GitHub 公开了代码评审智能体基准的数据集、评分规范和评审模型，附离线与线上实验的一致性证据。
Berkeley AI Research精选AI 评分6161 从 CUDA 到 MLX：K-Search 如何把内核优化经验带到 Apple Silicon
Berkeley AI Research 博客介绍给 K-Search 演进式内核搜索框架新增 MLX 后端和结构化 CUDA-to-MLX 翻译层，把已有 CUDA 内核知识迁移到 Apple Silicon。
推荐理由：研究展示 CUDA 优化经验可经结构化翻译迁移到 MLX，让演进式内核搜索在 Apple Silicon 上接近专家水平。