Google Research 在 ICML 2026 论文中提出 Retrieve-for-Train 框架，先用离线强化学习让 Gemma3-4B 与 Qwen3-4B 生成满足多样性、对齐和 groundedness 的子查询，再蒸馏为一个 53.9M 参数的非自回归扩散模型。
推荐理由：用离线强化学习把检索策略蒸馏成轻量扩散模型，给搜索类推理加速提供了一条不依赖增大推理预算的迁移路径。
Google 官方博客发布 AI 应用综合进展，宣布其技术已支持 300 多种语言、覆盖全球 86% 人口，并集中展示多项新发布：AlphaGenome Atlas 开放 90 亿种单碱基基因变化预测。
推荐理由：横向展示了 Google 当前把 AI 落到健康、灾害、教育和经济等领域的实际产品和合作案例，可作为参照看 AI 落地的成熟度边界。
Google DeepMind 与 Google Research 推出 WeatherNext 3 天气预报 AI 模型，是其迄今最先进且精度最高的全球天气模型。
推荐理由：对比上一代在分辨率、刷新频率和降水精度上的提升，以及在搜索、Gemini、地图等产品中的落地范围。
Google Research发布时序基础模型TimesFM-3，首次原生支持多变量零样本预测。模型拥有3.3亿参数，在超过1万亿时间点的真实与合成数据上预训练。
推荐理由：对比了TimesFM-3与Chronos-2、Toto 2.0等模型在Gift-Eval等基准上的排名，读者可据此了解多变量时序基础模型的当前能力。
Sentence Transformers v6.0 新增 MultiVectorEncoder 类型，配套教程展示 ColBERT 式多向量检索模型从预训练 checkpoint 微调的完整流程。
推荐理由：给出在单卡消费级 GPU 上微调 ColBERT 式多向量检索模型的完整配方和实测对比，读者可据此复现并迁移到自己的领域。
Microsoft Research 开源了面向可扩展 Agent AI 的框架 Orchard，核心是基于 Kubernetes 的可复用环境服务 Orchard Env，并配套发布 Orchard-SWE、Orchard-GUI、Orchard-Claw 三个领域的训练配方。
推荐理由：Orchard 将环境层与训练流程解耦并开源，约 30 亿参数的小模型在 SWE-bench Verified 上逼近十倍参数量的前沿系统，展示了开源 Agent 训练栈的可行路径。
Brain2Qwerty v2 是 Meta 的非侵入式脑到文本解码研究，用 MEG 设备记录 9 名志愿者共约 22000 句打字时的脑信号，经端到端大语言模型解码，词准确率达 61%，最佳参与者为 78%。团队开源了 v1 与 v2 训练代码，合作方 BCBL 同步发布 v1 数据集，并指出准确率随数据量对数线性提升。
推荐理由：原文用 MEG 非侵入信号做端到端文本解码并给出具体词准确率，为评估非侵入方案相对侵入式脑机接口的差距提供了可比数字。