Google Research 复盘 AI 结核病筛查落地历程与 MedGemma 开源布局
Google Research 在 IDWeek 2026 分享其 AI 结核病筛查研究走向实际应用的历程。
推荐理由：Google 官方复盘了从胸片 AI 算法到 CE 认证工具、再到开源 MedGemma 的完整落地路径，可了解医疗 AI 走出实验室的关键环节。
多来源采集 → 报道归并 → 价值筛选 → 精选与日报
信号汇聚示意动画，不代表实时处理进度。每条线代表一个信源，同类报道归并，部分内容经筛选后形成精选与日报。
#部署/工程先读重点，再回到原始来源。
Google Research精选AI 评分6262
Hugging Face Blog精选AI 评分6161 微软与 Hugging Face 详解 ThinkingBox 如何将数据库判分转化为 RL 奖励并开源训练栈
微软与 Hugging Face 发布 ThinkingBox-Training 博客并开源代码，把对数据库终态的可执行检查用作 RL 奖励，在 ThinkingBox-Bench 之外的任务上训练 Qwen3.8-27B。
推荐理由：微软与 Hugging Face 联合复盘如何把数据库终态检查变成 RL 奖励，并公开完整训练栈，适合做有状态 Agent 后训练的参考。
Hugging Face Blog精选AI 评分6767 NVIDIA 发布 Kumo Relational 关系型数据基础模型，无需训练即可预测
NVIDIA 发布预训练关系型基础模型 Kumo Relational，可直接在企业数据库上通过预测查询做流失、需求、欺诈等预测，无需任务训练和特征工程。该模型在 15 个数据库的 41 项任务上超过监督式关系深度学习和梯度提升树管线，在 SAP SALT 基准上 MRR 超 AutoGluon 集成 8%，微调后领先 16%，可扩展到 500B+ 行的数据库。
推荐理由：官方发布了面向关系型数据库的预训练基础模型并附代码和权重，读者可以了解其免训练预测架构和基准表现。
Latent Space精选AI 评分8080 DeepSeek 开源生产级推理框架 DeepInfer，报道单集群日处理 155T token
Latent Space 报道 DeepSeek 开源其生产推理栈 DeepInfer，称单集群日处理 155T token，离峰价格下每卡每小时收入 38 美元，估算推理毛利率超 80%、回本周期约 81 天。
推荐理由：原文汇总了 DeepInfer 的架构细节、vLLM 对比复现和多方成本测算，读者可以据此校准开源边界与收益数据。
GitHub Blog · AI & ML精选AI 评分6666 GitHub 发布 ModernBERT 分类器扩展 push protection 覆盖非结构化密钥
GitHub 官方基于 2024 Q2 至 2026 Q2 共九个季度数据指出，AI 智能体参与的 pull request 已占三分之一，但每 push 密钥检出率无统计显著上升，开发者驳回 push 拦截的比例从 6.63% 降至 3.93%。
推荐理由：作者用九个季度的数据说明开发者并非更大意，并给出毫秒级分类器扩展 push protection 的路径与开放时间表。
Microsoft Research精选AI 评分6060 微软亚洲研究院发布 Agent Lightning v1.0：约 3500 行代码的轻量级 Harnessed Agentic RL 框架
微软亚洲研究院发布重构并开源的 Agent Lightning v1.0，提出 Harnessed Agentic RL 范式，让部署时使用的 agent harness 直接参与强化学习，无需在训练框架内重写 agent。
推荐理由：官方详解了用真实 agent harness 做 RL 的训练范式与系统设计，并给出 Qwen3.5-9B 在 SWE-bench Verified 的提升数据，方法可参考。
Mistral AI精选AI 评分6161 Mistral 复盘用 AI 智能体将 4 万行 Fortran 77 迁移到 C++ 的方法
Mistral 介绍其为欧洲能源运营商迁移 4 万行 Fortran 77 油藏模拟代码到 C++ 的实践，目标是 30 万行代码库的第一阶段。项目先构建数值对齐验证框架，用 Vibe CLI 启动上百个智能体结合 Mistral OCR 生成文档并提交 PR；对比完全自治和纯手动两种极端后，落地为规划、编码、测试、审查智能体加人工审查节点的模块化工作流。
推荐理由：Mistral 复盘 AI 智能体迁移大型遗留代码的完整方法，先建数值对齐验证、再补文档、最后用带人工审查的结构化工作流。
Berkeley AI Research精选AI 评分6161 K-Search 通过 CUDA 到 MLX 翻译层将内核优化经验迁移到 Apple Silicon
研究者基于 UC Berkeley Sky Lab 的 K-Search 演化式内核搜索框架，新增 MLX 后端和结构化 CUDA 到 MLX 翻译层，让现有 CUDA 内核知识自动适配 Apple Silicon。
推荐理由：原文给出结构化 CUDA 到 MLX 翻译层的做法和可复现步骤，读者能了解跨硬件迁移内核优化经验的可行路径。
已经到底了