Microsoft Research 用机器学习预测电网空间天气风险
Microsoft Research 构建了一套机器学习管线，为美国本土 66,935 座变电站生成空间天气风险估计，并可提前 30-60 分钟发出特定风险预警。
推荐理由：文章展示了从太阳风预测到变电站风险估计的完整链路，并用评估指标说明其预警能力与落地前的验证环节。
10月1日 · 周四
精选
最新精选
Microsoft Research精选AI 评分6161
Google Research精选AI 评分7171 Google Research 探索自动化连贯长视频生成
Google Research 提出面向连贯长视频生成的 AI 视频协作导演体系，由 Co-Director、CANVAS、A²RD 和 VQQA 四个框架组成。
推荐理由：这项研究把长视频生成拆解为故事规划、视觉记忆、时序扩展和提示词闭环修正四个环节，并给出对应框架与基准结果。
Microsoft Research精选AI 评分7272 Microsoft Research：物理 AI 机器人推理卸载可提升性能与续航
Microsoft Research 的研究显示，将物理 AI 推理从机器人板载 GPU 卸载到边缘或云端 GPU，可提升移动操作任务的成功率、模型运行能力和电池续航。
推荐理由：文章以移动操作机器人工作负载为对象，比较板载、边缘与云端 GPU，呈现推理基础设施对任务成功率、续航和模型部署的具体影响。
Google Research精选AI 评分6565 Google Research 探索用生成式 UI 让教师创建互动学习内容
Google Research 分享一项研究实验，利用为教育优化的生成式 UI，让教师按课程目标动态创建定制的互动学习模拟。研究团队同时发布了30多个英文 STEM 学习互动内容，覆盖物理、化学、生物和数学，并由教师审核。对12名美国教师的初步研究中，互动内容质量平均评分为8分（满分10分），Google 还将通过试点项目继续收集学校反馈。
推荐理由：文章将生成式 UI、分级挑战和分层指导纳入教师主导的流程，并结合教师审核与试点数据，呈现定制化 STEM 练习的实现路径。
Google Research精选AI 评分6060 Google Research 提出 ToolGrad：用文本“梯度”高效生成工具调用数据集
Google Research 在 ACL 2026 介绍 ToolGrad，通过先生成经验证的工具调用链，再标注对应用户查询，迭代构建更复杂的工具调用数据。基于 ToolBench 的 16k+ APIs，ToolGrad 以更低成本和更高通过率生成数据；使用 ToolGrad-500 微调的 Gemma-3-12B 在 BFCL 上取得 83.1 分。
推荐理由：文章清楚拆解了从工具链生成、执行筛选到查询更新的流程，并用 BFCL 结果展示该方案的训练效果与成本取舍。
Google Research精选AI 评分8282 Google Research 发布完整雄性果蝇脑及中枢神经系统连接组图谱
Google Research 与 HHMI Janelia 等合作发布了雄性果蝇大脑和中枢神经系统的完整连接组图谱，包含超过166,000个神经元和125 million个突触连接，按神经元数量计算为目前最大的脑图谱。该成果发表于 Cell，图谱经过 HHMI Janelia 人类专家标注和校验。研究人员可通过开源工具 Neuroglancer 查看、探索和下载这份数据。
推荐理由：文章展示了 AI 连接组学如何把电子显微镜切片重建为可验证的细胞级图谱，并说明雌雄连接组可用于研究神经差异和行为机制。
Microsoft Research精选AI 评分6666 MindTopo 基准揭示 VLM 的拓扑空间推理能力
Microsoft Research 团队提出 MindTopo 基准，评估多模态大语言模型对连续性、分离、顺序、包围和打结五类拓扑关系的理解。基准同时测试静态场景推理与交互规划，结果显示模型在静态识别上的表现普遍优于需要通过连续动作维持或改变拓扑关系的规划任务。错误通常出现在规划阶段，模型会丢失结构关系或提出违反环境物理约束的动作。
推荐理由：MindTopo 将静态拓扑识别与交互规划放在同一基准中比较，帮助定位多模态模型从感知到行动的能力断点。
Microsoft Research精选AI 评分6565 Microsoft Research 发布 CARE-X 胸部 X 光 VLM 研究模型
Microsoft Research 介绍 CARE-X，一款结合报告生成、结构化预测、辅助监督和 DAPO 强化学习的胸部 X 光 VLM。CARE-X 在多项报告生成、问答、定位和分类任务上进行评估；独立实验还将 Qwen3-VL-4B-Instruct 与确定性测量工具结合，在五类测量依赖条件上的平均 F1 提升 43.6 个百分点。
推荐理由：文章展示了如何将生成、结构化预测与确定性测量工具结合，用于提升胸部 X 光任务中的定位、分类和定量判断能力。
Berkeley AI Research精选AI 评分6767 K-Search 如何将 CUDA 内核经验迁移到 MLX 并优化 Apple Silicon
IBM Research 将 K-Search 扩展为支持 MLX 的后端，并通过结构化 CUDA-to-MLX 翻译层，把 CUDA 内核优化经验迁移到 Apple Silicon。
推荐理由：文章展示了如何把 CUDA 内核中的优化经验结构化迁移到 MLX，并以 Attention 和 Mamba SSM 实测说明翻译层对 Apple Silicon 性能的影响。
已经到底了