我们能信任 LLM 判断研究创新性吗？
原文发布 Old Ideas, Novel Problems 研究及 novelty judge 基准。研究通过 ICLR 2026 同行评审挖掘 novelty 信号，构建 Human-Only 与 Human+Generated 两评估设置。
阅读原文 来源：Hugging Face Blog
#Anthropic
Hugging Face Blog一手
AWS Machine Learning Blog一手 IskayPet 用 Amazon Bedrock Managed Knowledge Bases 构建企业知识助手
IskayPet 利用 Amazon Bedrock Managed Knowledge Bases 构建企业知识助手，解决跨四国、四语言的 SharePoint 文档检索难题。
阅读原文 来源：AWS Machine Learning BlogAWS Machine Learning Blog一手精选 Rescale 使用 Strands Agents 和 AI-DLC 构建 AI 诊断代理
Rescale 使用 Strands Agents 和 AI-DLC 框架在 Amazon Bedrock 上构建了一个 AI 诊断代理，该代理可在 Amazon EKS 上自动分类并路由夜间端到端测试失败。
阅读原文 来源：AWS Machine Learning Blog推荐理由原文给出了能力变化和开放入口，读者可以据此判断它会怎样改变现有工作流。
AWS Machine Learning Blog一手 U.S. Hunger 利用 Amazon Quick 连接领导者与数据
U.S. Hunger 利用 Amazon Quick 实现跨组织数据直接探索，领导者可在共享定义中查看财务信息并结合家庭报告的情况。CEO Rick Whitted 通过 Quick 的 Spaces 功能让领导团队围绕 KPI 与财务模型协同决策，并计划将数据通过 Redshift 与 Boomi 管道共享，以支持更广泛的研究与公共资源。
阅读原文 来源：AWS Machine Learning BlogHugging Face Blog一手精选 NVIDIA Kumo Relational 发布：预训练关系基础模型在关系数据上无需训练即可预测
NVIDIA 发布 Kumo Relational，这是一个预训练的关系基础模型，可直接在企业数据库上进行预测。它无需任务特定训练、特征工程或表展平，通过单次前向传递即可预测流失率、需求或欺诈等结果。
阅读原文 来源：Hugging Face Blog推荐理由原文给出了能力变化和开放入口，读者可以据此判断它会怎样改变现有工作流。
Hugging Face Blog一手 RFD4-Proteina 融合序列与结构生成，提供浏览器端可视化与思考级别设计能力
NVIDIA 与华盛顿大学联合开发的 RFD4-Proteina 模型现已在 Hugging Face Spaces 提供。该模型将蛋白质序列和全部原子结构生成合并为单一流匹配模型，用户可在浏览器中直接通过供例输入并设置思考级别（低/中/高）进行设计，生成的结构和序列会围绕目标热点进行条件生成。
阅读原文 来源：Hugging Face BlogAWS Machine Learning Blog一手精选 Octave 在 Amazon Bedrock 上构建安全多租户 AI 基础设施
Octave 利用 Amazon Bedrock 和 Cohere Embed v4 构建了支持 20 亿文档的多租户 AI 基础设施。系统在嵌入时统一处理文本和图像，通过 AgentCore runtime 在微 VM 层面实现租户隔离，并使用 Guardrails 进行内容过滤。
阅读原文 来源：AWS Machine Learning Blog推荐理由原文展示了如何在多租户 SaaS 平台上用 Amazon Bedrock 构建安全的 AI 基础设施，提供了从数据准备、隔离到内容防护的完整技术路线，读者可直接学习其多模态嵌入、微服务隔离和 Guardrails 等实践方法。
AWS Machine Learning Blog一手精选 Amazon Bedrock 为 Anthropic Claude 模型提供结构化输出功能
Amazon Bedrock 为所有 Anthropic Claude 模型提供结构化输出功能，通过 JSON Schema 约束模型输出，无需自行解析即可获取合法 JSON。
阅读原文 来源：AWS Machine Learning Blog推荐理由Amazon Bedrock 为所有 Anthropic Claude 模型提供了结构化输出功能，通过 JSON Schema 约束模型输出，无需自行解析即可获取合法 JSON，显著降低了数据提取和 Agent 工作流的运维成本。
Hugging Face Blog一手精选 TorchNeuran：在 AWS Trainium 上更轻松运行 Hugging Face 模型
TorchNeuron 作为 PyTorch 的新原生后端，现已在 AWS Trainium 上原生支持 Transformers、Diffusers 等 Hugging Face 库，用户只需传入 device_map=neuron 参数即可直接运行，相比 Optimum Neuron 覆盖的模型架构从 46% 提升至 89%。
阅读原文 来源：Hugging Face Blog推荐理由原文给出了能力变化和开放入口，读者可以据此判断它会怎样改变现有工作流。
Google Research一手 Google Research：Putting Earth AI to work：地理空间代理助力地球最大挑战
Google Research发布了地理空间推理代理系统及两个新基准测试。代理系统连接Gemini与Earth AI基座模型，支持多步推理和自主训练自定义预测模型。
阅读原文 来源：Google Research
AWS Machine Learning Blog一手 Tamnoon 在 Amazon Bedrock 上构建 AI 安全编排代理 Tami
Tamnoon 在 Amazon Bedrock 上构建了代理 Tami，用于自主调查云安全发现并生成修复方案。该系统通过四个专用智能体实现从发现到修复的全流程自动化，实现关键云暴露风险 90% 以上的降低，且在 90 天内零生产事故。
阅读原文 来源：AWS Machine Learning BlogGitHub Blog: AI & ML一手精选 GitHub 发布新的秘密检测模型，实现更少噪音的更多秘密检测
GitHub 发布基于 ModernBERT 的秘密检测新模型，相比上一 LLM 管道实现 11.5% 更高的用户接受率、86% 更快的中位数后推执行时间以及 98% 更低的服务成本，并给出了开放入口和主要能力变化。
阅读原文 来源：GitHub Blog: AI & ML推荐理由原文给出了能力变化和开放入口，读者可以据此判断它会怎样改变现有工作流。
AWS Machine Learning Blog一手 ShipStation Global 用 Amazon Bedrock AgentCore 构建 AI IT 客服 Deckhand
ShipStation Global 用 Amazon Bedrock AgentCore 构建 AI IT客服 Deckhand，在 Slack 频道中自动回答常规 IT 问。该系统在 12 个月 1,500 个工程师工单中，解决了 97.5% 的频道查询，并获得 96% 的员工好评。Deckhand 可读取错误信息截图，并可一键将对话转为情境化的 Jira 工单。
阅读原文 来源：AWS Machine Learning Blog
Google Research一手精选 Google Research：AI辅助是否增强或侵蚀专业专长？
Google Research在专利起草领域进行三个月田野实验，随机分配AI工具访问权给133名专利律师。实验发现：在10天和90天的起草任务中，AI工具均显著提升了 drafting scores（0.34 SD和0.38 SD），主要通过减少差评和增加良好评分实现，但优秀评分无变化。
阅读原文 来源：Google Research推荐理由实证研究通过三个月田野实验，揭示了AI辅助在专业领域提升短期产出与长期技能形成的冲突：初学者短期表现提升但未转化为持久专业判断，资深者则通过AI作为‘逻辑审计员’强化了基础专业知识。
Microsoft Research一手 What AI gets wrong and what failure teaches us
Jennifer Neville, Microsoft Research partner research manager。
阅读原文 来源：Microsoft Research
Google Research一手精选 Google发布智能体隐私与安全研报：基于语境完整性的治理框架
Google发布研报《Open and Emergent Problems in Agentic Privacy and Security: A Contextual Angle》，基于语境完整性理论扩展智能体行为的语境安全。
阅读原文 来源：Google Research推荐理由本文提供了首个系统性的框架，将语境完整性理论扩展到智能体行为的安全与隐私，读者可以据此理解当前智能体系统的核心挑战与治理路径。
Berkeley AI Research一手 Identifying Interactions at Scale for LLMs
Berkeley AI Research 提出 SPEX 与 ProxySPEX 两种算法，利用稀疏恢复与层级结构，在大幅减少 Ablation 成本的情况下，识别 LLM 中关键的高阶交互。SPEX 在数千特征规模下实现了现有方法难以企及的忠实度表现，ProxySPEX 则通过层级假设使计算成本降低约 10 倍，显著提升了特征、数据及模型内部组件的可解释性分析效率。
阅读原文 来源：Berkeley AI Research