GigaBrain-0.7 是具身基础模型，采用三系统架构：系统1基于 VLM 主干与动作专家生成连续动作；系统2负责理解与长程任务规划；系统3用世界模型预测未来视觉状态并评估进展。模型在超 3.7 万小时、16 种机器人形态的轨迹及约 2.7 亿视觉语言样本上单阶段联合预训练，并通过软知识隔离保持视觉语言能力，实现理解、预测、行动与经验改进的统一。
英伟达Earth-2开放模型在欧洲多地落地应用：新模型StormScope EU利用卫星数据每10分钟预测欧洲云况，并在GTC柏林展示实时预报流程；AXA用FourCastNet 3模拟超千个季节评估气旋风险；Vaisala Xweather结合闪电数据提升短临预报；曼彻斯特大学用CorrDiff建模英国空气质量；TotalEnergies探索光伏发电预报；Space42用CorrDiff估算地表高度。
GigaWorld-Policy-0.5是一种以动作为中心的世界动作模型：训练时利用未来视觉动态提供密集监督，推理时仅解码动作、不生成未来视频，从而降低计算开销。它采用混合Transformer架构，将视觉动态建模与动作生成分配给不同专家模块，在RTX 4090上推理时延约85毫秒。预训练结合动作条件世界建模与WAM训练，并用AutoResearch流水线自动搜索训练配置。实验表明，该模型在保留未来视觉监督优势的同时显著提升了推理效率。
Databricks推出Predictive AI Functions测试版，业务用户和分析师无需机器学习专业知识，即可通过SQL原生函数完成预测、异常检测、驱动因素分析和预测建模。新函数包括ai_forecast、ai_top_drivers、ai_detect_anomalies、ai_predict_value和ai_predict_class，可在SQL、Genie和仪表板中调用。模型由Databricks集中维护，无需自建基础设施，基准测试显示其预测准确率领先。
statsmodels 拟合模型除点预测外还提供更多信息：用 get_forecast 可直接获取预测区间，无需手动计算；append 能在不重新拟合的情况下加入新数据并默认复用已有参数；STLForecast 将 STL 分解与 ARIMA 预测整合，避免手动还原季节性时的错误。这些内置方法比手写实现更短、更快、更准确。
美国疾控中心宣布，谷歌AI流感预测模型在2025-26流感季对住院人数预测最准确。该模型基于AI工具ERA，研究已发表于《自然》杂志，技术已向受信任测试者开放。
NVIDIA发布Kumo Tabular表格基础模型，将标注行作为上下文，一次前向即可预测，无需逐任务训练。模型参数28M至215M，官方称四组评测第一、快17倍，但真实分布漂移时准确率会下降。作者认为它更适合冷启动基线，而非直接替代成熟风控模型，上线前须做校准、漂移监控与时间留出门禁。
VLX-Seek是OmAI Lab推出的细粒度视觉语言模型，面向机器人、无人机等边缘具身视觉场景，结合语言理解与区域级视觉感知，支持目标定位、指代理解、区域OCR、描述与计数，并引入目标缺失拒识机制，为具身智能连接环境感知与行动决策提供基础能力。
NVIDIA推出BioNeMo推理运行时，通过内核选择、CUDA Graph和Ray流水线优化蛋白结构预测。在8张H100上，Boltz-2吞吐达每GPU小时5.85万残基，较公开实现提升2.9倍。文章强调科学AI吞吐应以成功结构数和完整流程时间衡量，需关注CPU预处理、写盘和失败率等瓶颈。
本文介绍如何结合Amazon Chronos2零样本时间序列预测与Amazon Bedrock AgentCore多智能体编排，构建端到端库存补货自动化系统。系统由监督、预处理、预测、报告四个LLM智能体协调确定性工具，将需求预测转化为可审计的采购订单。新SKU无需训练模型，仅上传CSV即可，推理成本降低98%，中位WAPE为12.3%。
AlphaGenome Atlas是Google DeepMind推出的AI数据库，免费向学术界开放，预计算了人类基因组中90亿种单核苷酸变异的影响。然而，专家指出其预测精度较前代模型无显著提升，且未经实验验证，不适用于临床。其价值在于简化工作流程，帮助研究人员快速筛选变异和生成假设，而非提供最终答案。
谷歌DeepMind发布AlphaGenome Atlas，预测人类基因组中90亿种单核苷酸变异的影响，提供最全面的分子效应目录。平台含AVI评分，结合AlphaGenome和AlphaMissense模型，便于研究者排序和解释变异。已用于罕见病研究、复杂性状关联及调控基序识别，数据量达1PB，免费供学术使用，旨在加速生物学发现。
Facet-0是一种面向高精度接触操作的机器人基础模型，结合视觉-语言骨干与流匹配动作专家，联合预测动作及未来腕部扭矩，将接触视为可预测结果。基于ManuFacet-1K数据集训练，并通过Action–Wrench Critic评估交互价值，实现策略细化，提升装配可靠性。
大模型不再仅依赖预测下一个词，通过RLVR强化学习，它能自主探索解题路径，从模仿者转变为探索者。预训练如同背诵课文，而RLVR则类似自我解题，借助可验证奖励驱动创新，使模型能够生成超出训练数据的新知识，实现超越简单预测的能力。
微软因用户反馈不喜欢机器生成的建议内容，且文本预测会干扰输入，已默认禁用Word和Outlook的文本预测功能。该功能原用于显示建议文本，现用户可在设置中手动启用。涉及Windows、iOS、Android及Mac多个版本。
本文批判静态用户画像的局限，主张用动态行为特征提升预测模型。核心方法包括：测量行为速度与加速度、评估功能使用深度、计算决策摩擦，并借鉴线下购物心理学映射线上信号。针对稀疏数据，采用零膨胀嵌入和频繁子轨迹挖掘。最后以零售需求预测为例，展示从数据采集到特征工程的实践路线，强调动态特征优于静态快照。
谷歌发布TimesFM-3，一款3.3亿参数的时间序列预测模型，支持多序列并行预测和零样本泛化，性能超越Chronos-2等竞品。模型采用双注意力机制，解码效率提升，但权重仅限非商业使用，商业用途需通过谷歌平台，反映行业商业化趋势。
蚂蚁国际发布自研时序AI预测大模型“鹰序TST”2.0版，在基准测试中取得最优成绩，预测准确率超93%。该模型专为跨境支付外汇风险管理设计，已获巴克莱、花旗等银行应用，并拓展至电商、航空等领域。文章还对比了Chronos-2、TimesFM等模型，强调金融场景需结合领域数据验证，通用榜单优势不等于稳定金融收益。
本次直播由Ai2的Jason Ren主讲，介绍MolmoMotion模型。该模型基于Molmo家族，能根据语言指令预测3D空间中的点轨迹，展示运动发生的位置和时间。直播包含演示、训练数据讲解，并探讨其在机器人、视频理解和具身智能领域的应用，最后设有问答环节。
压缩与预测在数学上等价，大语言模型本质是超级压缩器。通过上下文预测下一个符号，概率越高所需比特越少，如字母U在Q后概率飙升，压缩效率大增。LLM训练目标交叉熵损失即最小化比特数，与压缩原理一致。虽压缩能力极强，但因模型庞大、计算成本高，无法替代gzip等实用工具。
完成下面两步后，将自动完成登录并继续当前操作。
