AWS 官方博客给出管理 Amazon Bedrock 成本的五步操作模型，依次是归因、观测、限额、优化和复盘。归因环节利用 IAM 主体标签和 CUR 2.0 把每笔推理费用落到具体用户、团队和应用，并针对共享网关角色给出按用户会话标签的解法。观测环节通过模型调用日志和请求元数据回答哪个工作负载消耗了 token，限额环节则按风险选择仅告警、IAM 拒绝或网关同步拦截三档。
推荐理由：文章把 Amazon Bedrock 的成本治理拆成归因、观测、限额、优化、复盘五步，并给出可直接照做的配置与查询示例。
微软构建了行业评估数据生成平台（Industry Evaluation Data Generation Platform），用基于 O*NET、招聘信息和 SEC 文件等公开数据生成的全合成企业环境来评估 Microsoft Copilot，避免使用客户敏感数据。
OpenAI 宣布将遵循 robots.txt 中的一项共享信号，让网站运营方能把自身的 人工智能（AI，Artificial Intelligence） 训练偏好传达给参与该机制的提供商。原文未披露该信号的具体写法、生效时间和参与范围。
Microsoft Research Focus 第97期由主持人 Sowbhagya Suresh 介绍微软多项研究进展，包括自改进智能体框架 ForkPilot，在六项基准和主流模型上测试，效果比肩现有最佳方法，同时将 人工智能（AI，Artificial Intelligence） 处理需求最多降低 59%。
AWS 官方博客介绍 AWS Batch 面向 Amazon SageMaker Training 任务的配额管理（quota management）能力，管理员可按团队或项目划分配额份额，并用 RESERVE、LEND、LEND_AND_BORROW 三种资源共享策略处理空闲算力。
微软研究院发布 Flint-interactive，一种在 Flint 之上创建交互式数据可视化的语言，让智能体生成用户可点击、筛选、缩放、高亮并跨图表联动的图表。
推荐理由：微软研究院把交互逻辑交给编译器处理，让智能体生成可点击、可联动的图表，减少反复调试的消耗。
Google DeepMind 与 Google Research 联合世界资源研究所（WRI，World Resources Institute）和国际应用系统分析研究所（IIASA。
微软研究院的 Xinzhi Zhang 与合著者 Zhao Song 证明了 1995 年提出的 Kannan-Lovász-Simonovits（KLS）猜想，证明对数凹分布的最佳平面切割与任意形状最佳切割只差一个与维度无关的固定常数。
推荐理由：这项证明把困扰高维几何三十余年的猜想变为无条件结论，也展示了研究者如何筛选并引导 人工智能（AI，Artificial Intelligence） 的搜索方向。
Google 用智能体开发平台 Google Antigravity 演示了抗菌肽发现流程：生物学家与 人工智能（AI，Artificial Intelligence） 智能体在同一会话中完成跨数据库检索、结构分析与文献综合，并借助 ProtNLM 从 UniProt 数百万条未注释蛋白序列中预测功能，筛出一个对呼吸道感染病原体有预测活性的新型抗菌肽候选物。
微软研究院提出研究系统 StudentSim，用公开的去标识学习记录为每个学生训练个性化模拟器，在真实学习者测试之前评估和改进 人工智能（AI，Artificial Intelligence） 辅导系统。
推荐理由：微软研究院提出用真实学习记录训练个性化学生模拟器，在三个学科上给出可复用的评测协议和训练反馈路径。
美国国家标准与技术研究院（NIST）宣布支持白宫科技政策办公室主任 Michael Kratsios 提出的“Science: A New Golden Age”报告及其原则。NIST 将开放 AM-Bench、JARVIS 材料数据库等数据资源，并计划作为联邦机构伙伴加入 Genesis Mission Consortium，聚焦生物技术、量子科学和材料设计。
Microsoft Research Asia 开源 Agent Lightning v1.0，这是一个约 3500 行代码的轻量智能体强化学习框架，让部署时使用的智能体框架直接参与训练，无需在训练框架里重写智能体。
推荐理由：框架把部署用的智能体直接接入强化学习训练，并给出约 6000 条样本提升 14.6 个百分点的完整流程，可据此判断改造成本。
Berkeley 人工智能（AI，Artificial Intelligence） Research 提出 ABBEL 框架，把 大语言模型（LLM，Large Language Model） 的交互摘要写成自然语言“信念状态”并对其内容单独监督评分，替代传统递归摘要。
加州大学伯克利分校 EECS 副教授 Aditya G. Parameswaran 等人发文提出，随着推理成本快速下降，数据系统面临三类新问题：为智能体设计的数据系统、支撑智能体集群运行的数据系统，以及由智能体自行生成的数据系统。
伯克利 人工智能（AI，Artificial Intelligence） 研究团队综述了并行推理领域进展，重点分析自适应并行推理——让模型自行决定何时分解任务、开多少并行线程以及如何协调。现有方法多由外部固定并行结构，而不同问题需要不同并行程度，自适应控制被视为高效推理扩展的下一步。
伯克利 人工智能（AI，Artificial Intelligence） 研究团队提出 SPEX 与 ProxySPEX 两种算法，用于在大语言模型（LLM，Large Language Model）中识别驱动输出的关键交互，把交互发现规模从数十个组件扩展到数千个。
伯克利 人工智能（AI，Artificial Intelligence） 研究团队提出一种直接以信息含量评估和优化成像系统的框架，并在 NeurIPS 2025 论文中验证其信息指标能预测彩色摄影、射电天文、无透镜成像和显微成像四个领域的系统表现。该方法仅用带噪测量和噪声模型估计互信息，优化后的设计可媲美端到端方法，且内存和算力需求更低、无需任务专用解码器。