Google 推出 ToolGrad：用文本“梯度”高效生成工具调用数据集
Google Research 在 ACL 2026 提出 ToolGrad，一种“答案优先”的工具调用数据集生成方法：先构建真实工具调用链，再用文本“梯度”迭代提出、执行、选择和更新 API 工作流。
#数据/训练
#数据/训练
今日 0 条Google ResearchAI 评分4747
Google ResearchAI 评分5050 Google Earth AI 推出行星预测引擎 PPE，自动完成地理空间建模全流程
Google Earth AI 推出实验性研究能力行星预测引擎（PPE），可从自然语言查询出发自主执行数据发现、清洗、特征工程、模型训练与评估的完整地理空间预测流程，将此前需数周人工数据工程的工作缩短到几分钟。
Hugging Face BlogAI 评分4343 Hugging Face 提出 Quantization-Aware Healing：4-bit 压缩模型反超全精度原版
Hugging Face 提出 Quantization-Aware Healing（QAH），将 GPT-OSS 120B 结构压缩至 60B 参数并量化为 MXFP4 后，直接从压缩前的原始模型蒸馏，而非从恢复后的 bfloat16 检查点蒸馏。
Hugging Face BlogAI 评分4848 Hugging Face 提出 Offline Top-K Logits 与融合分块 KL 损失，让知识蒸馏成本大幅下降
Hugging Face 发布论文，通过缓存 teacher 的 top-100 logits 实现 offline 蒸馏，并引入 fused chunked KL 损失，避免生成全词表×序列长度的矩阵。
Berkeley AI ResearchAI 评分4646 教 LLM 更新信念状态以实现高效长程交互：Berkeley AI Research 提出 ABBEL 框架
Berkeley AI Research 提出 ABBEL 框架，用自然语言信念状态替代完整交互历史作为智能体的工作上下文，并引入 belief grading 监督摘要内容。在 CollabBench 协作编程测试中，ABBEL-rec-BG 将与全上下文模型的性能差距缩小约 50%，训练步数从 100 减至 50，峰值上下文 token 长度也显著低于全上下文设置。
Google ResearchAI 评分5757 Google Research 发布 SensorFM：基于超万亿分钟可穿戴数据的大传感器基础模型
Google Research 发布 SensorFM，一种直接从无标注可穿戴数据预训练的 Large Sensor Foundation Model，训练数据来自 500 万名同意参与研究的用户、超一万亿分钟的多模态传感器信号，覆盖 100 多个国家和 20 多款 Fitbit 与 Pixel Watch 设备。
Google ResearchAI 评分3838 Google Research 提出机器遗忘审计新框架 Regularized f-Divergence Kernel Tests
Google Research 在 AISTATS 2026 上提出 Regularized f-Divergence Kernel Tests，用于更敏感、灵活地审计机器遗忘（machine unlearning）。
Import AIAI 评分4646 Import AI 457：AI 版 Stuxnet、Muon 优化器的缺陷与积极对齐
SentinelOne 研究员拆解了约 20 多年前的病毒 fast16.sys，它通过篡改高精度计算软件（如 LS-DYNA 970、PKPM、MOHID）在内存中的计算结果，可能被用于武器研发相关的破坏，类似《三体》中的智子干扰。
Google DeepMindAI 评分5858 Google DeepMind 发布 Decoupled DiLoCo 分布式训练架构
Google DeepMind 发布 Decoupled DiLoCo 分布式训练架构，将大模型训练拆分为异步通信的计算“孤岛”，隔离硬件故障并大幅降低带宽需求。
Google ResearchAI 评分4444 Google Research 提出 Simula：从第一性原理出发的推理优先合成数据生成框架
Google Research 在 TMLR 发表论文，推出推理优先的合成数据生成框架 Simula，以机制设计思路将数据生成拆解为全局多样性、局部多样性、复杂化和双评论员质量检查四个可控轴，无需种子数据。
Google ResearchAI 评分3636 Google Research 推出 ConvApparel：量化并弥合用户模拟器的真实感差距
Google Research 发布 ConvApparel 数据集，包含超过 4,000 段、近 15,000 轮的人类-AI 多轮对话，用于量化 LLM 用户模拟器的“真实感差距”。
Google ResearchAI 评分3636 Google Research 研究：构建更好的 AI benchmark 需要多少标注者？
Google Research 在论文《Forest vs Tree: The (N, K) Trade-off in Reproducible ML Evaluation》中研究 AI 评测中每条数据标注数与标注条目数的权衡，并开源了基于真实数据集的模拟器。
Berkeley AI ResearchAI 评分4545 以信息量驱动成像系统设计：Berkeley AI Research 提出基于互信息的评估与优化框架（NeurIPS 2025）
Berkeley AI Research 在 NeurIPS 2025 论文中提出直接基于信息内容评估和优化成像系统的框架，用互信息指标统一分辨率、噪声等因素。该方法仅需噪声测量数据和噪声模型即可估计信息量，并提供真实信息的上界。在彩色摄影、射电天文、无透镜成像和显微成像四个领域，该指标能预测解码器性能，优化结果匹配 SOTA 端到端方法，同时内存、计算量更低且无需任务专用解码器。
Berkeley AI ResearchAI 评分4646 分而治之：不依赖 TD 学习的强化学习算法
Berkeley AI Research 提出一种基于分而治之（divide and conquer）的 off-policy RL 价值学习算法，不再使用时间差分（TD）学习，后者因 Bellman 递归误差累积难以扩展到长时程任务。
Berkeley AI ResearchAI 评分4949 word2vec 到底学到了什么？Berkeley AI Research 给出定量理论
Berkeley AI Research 提出 word2vec 学习过程的定量理论：在若干温和近似下，其学习问题可归约为无加权最小二乘矩阵分解，梯度流动力学有闭式解，最终嵌入等价于对目标矩阵 M* 做 PCA。