GigaPath-Flash 和 GigaTIME-Flash：高效病理学基础模型助力人群规模发现
Microsoft Research 发布了 GigaPath-Flash 和 GigaTIME-Flash 模型，通过知识蒸馏技术将原始模型的计算需求降低约 50 倍和 8 倍，同时保持或提升性能。这些开源模型支持对大规模癌症患者队列进行病理分析，帮助研究人员研究疾病生物学、生物标志物和临床结果。
推荐理由：本文介绍了病理学基础模型的效率提升方法，使大规模人群研究成为可能。
#数据/训练
Microsoft Research精选AI 评分6565
Microsoft ResearchAI 评分5555 Microsoft Research 发布 Skala 1.1，提升 DFT 准确性与可访问性
Microsoft Research 发布 Skala 1.1，训练数据量是前版本的 2.5 倍，在热化学、反应动力学和分子结构预测等关键分子模拟挑战中提供更高准确性。Skala 现已集成到 CP2K 中，并正在整合到 Psi4、FHI-aims、ORCA 和 VASP 等软件中，同时引入了持续更新的基准测试来跟踪计算性能。
Berkeley AI Research精选AI 评分7070 ABBEL：教会大语言模型更新信念以实现高效长程交互
加州大学伯克利分校研究团队提出ABBEL框架，通过自然语言信念状态替代完整交互历史，解决了长程任务中上下文压缩导致的性能下降问题。在CollabBench协作编码环境中，使用信念分级(ABBEL-rec-BG)将性能差距缩小约50%，同时训练步数减少50%。
推荐理由：原文提出了ABBEL框架，通过信念状态管理解决长上下文交互中的性能问题。
Berkeley AI Research精选AI 评分7070 智能体时代的数据系统：为、由和由智能体构建的数据系统
加州伯克利研究人员探讨了当AI推理成本趋近于零时，数据系统面临的三大挑战：为智能体设计的数据系统、由智能体组成的数据系统以及由智能体构建的数据系统。文章分析了智能体如何改变数据查询模式、需要新的记忆结构和协调机制，以及如何利用智能体合成定制数据系统，并展望了数据系统与智能体共同演化的未来。
推荐理由：当AI推理成本趋近于零，数据系统需重新设计以适应智能体主导的工作负载，这一转变将重塑数据架构与智能体协同方式。
Berkeley AI Research精选AI 评分6565 信息驱动的成像系统设计
加州大学伯克利分校研究团队提出了一种基于信息内容的成像系统评估与优化框架IDEAL，可直接从测量数据量化成像系统性能，无需重建算法。该框架在彩色摄影、射电天文、无透镜成像和显微镜四个领域验证了信息估计与下游任务性能的相关性，并能优化系统参数达到与端到端方法相当的效果。
推荐理由：原文提出了基于信息内容的成像系统评估与优化框架，可直接应用于多种成像领域。