„Google DeepMind“ paskelbė tyrimą apie SynthIDBio sistemą, kuri žymi AI sukurtus baltymus vandens ženklais, nepažeidžiant jų funkcijos. Sistema, sukurta remiantis „Google“ SynthID technologija (naudojama teksto/vaizdų vandens ženklams), veikia kartu su ProteinMPNN – populiariu baltymų projektavimo įrankiu – ir įterpia aptinkamus signalus amino rūgščių parinkimo metu. Vandens ženklas pasiskirsto atsitiktinai per visą baltymo seką ir gali būti aptiktas naudojant kriptografinį raktą, nors baltymai turi tik 20 amino rūgščių ir žymiai mažiau vietos signalui paslėpti nei vaizdai.
Carnegie Mellon, MIT, NYU ir Stanford komanda sukūrė AI pavadinimu Ataraxos, kuris nugalėjo Pim Niemeijer, laikomą geriausiu visų laikų Stratego žaidėju, rezultatu 15:1 su keturiomis lygiosiomis. Skirtingai nuo ankstesnio DeepMind modelio DeepNash, Ataraxos naudoja 'belief' modelį, įvertinantį paslėptas priešininko figūras, ir atlieka paiešką prieš kiekvieną ėjimą, o apmokytas buvo tik su 16 GPU per savaitę, kainavęs kelis tūkstančius dolerių, palyginti su įvertinta DeepNash apmokymo kaina – 3-4,5 mln. dolerių. AI taip pat laimėjo 38 iš 40 žaidimų prieš iššūkio metėjus 2025 m. Stratego pasaulio čempionate ir apibendrino šį metodą kitiems žaidimams – Barrage Stratego, Hanabi ir dou dizhu.
Allen Institute for AI (Ai2) atvėrė AstaBrief 8B modelio svorius – modelis, sukurtas ant Qwen3-8B pagrindo, kuris mokslinius klausimus ir surastas literatūros ištraukas paverčia cituotomis ataskaitomis. Jis jau veikia Ai2 platformoje Asta kaip 'Fast' režimas šalia Claude pagrindu veikiančio 'Thinking' režimo – ataskaitą vidutiniškai sugeneruoja per 51,1 sekundės, palyginti su 178,5 sekundės Claude procese, t. y. apie 3,5 karto greičiau. Modelis treniruotas naudojant prižiūrimą dokonfigūravimą (SFT) su 47 tūkst. pavyzdžių (iš 90 tūkst. filtruotų realių mokslininkų užklausų) ir DPO su apie 6 tūkst. porų, o didžiausią kokybės pokytį davė filtravimas pagal citavimo tankį.
Microsoft Research pristatė Quine – multimodalinę AI sistemą, skirtą modeliuoti biologiją įvairiais lygmenimis: nuo genų ir baltymų iki ląstelių ir audinių, sujungiant tai su moksliniais įrankiais, literatūra ir tyrėjais. Bendradarbiaudami su Broad Institute (MIT ir Harvard), tyrėjai naudojo Quine junginiams, galintiems pakeisti vėžio ląstelių būsenas, prioritetizuoti, o keletas geriausių kandidatų buvo patvirtinti laboratoriniais eksperimentais. Microsoft atveria 'Quine Fellows' programą, suteikiančią atrinktiems mokslininkams prieigą prie sistemos, pabrėždama, kad tai eksperimentinė technologija, netinkama klinikiniam naudojimui.
„Google“ TPU inžinerijos komanda nuo nulio atkūrė visiškai atvirą Allen Institute for AI (Ai2) modelį Olmo 3 7B, naudodama JAX/XLA pagrindu veikiančią mokymo sistemą MaxText, ir sutapo su Ai2 PyTorch/GPU etaloniniu paleidimu pagal realių (angl. held-out) metrikų rezultatus, o ne vien pagal nuostolių kreivę. Atkūrimas apėmė 1-ąjį pre-training etapą (~5,93 trln. žymenų, 1,41 mln. žingsnių) ir 2-ąjį vidurinio mokymo „anneal“ etapą, taip pat Olmo 3 nestandartinės architektūros (pertvarkytas normos blokas, QK-norm, 3:1 slankaus/globalaus dėmesio santykis) perkėlimą į JAX. Komanda taip pat aptiko ir pataisė subtilią duomenų įkėlimo klaidą, dėl kurios mokymo nuostoliai klaidingai atrodė geresni dėl atminimo (memorization) efekto.
Google inžinieriai aprašo, kaip jie įgyvendino retą (sparse) erdvinio-laikinio dėmesio (attention) skaičiavimą vaizdo difuzijos modeliams TPU v6e lustuose, paversdami teorinį Sparse VideoGen (SVG) metodo retumą realiu aparatinės įrangos pagreičiu. Per kelis branduolio optimizavimo etapus (plytelių specializaciją, dydžio derinimą ir kaukės suderinimą su plytelėmis) jie sumažino dėmesio skaičiavimo laiką nuo 96,37 ms (naivus retas variantas) iki 32,76 ms – tai 2,40 karto greičiau nei tankus Splash Attention viename TPU v6e luste, naudojant 75,6 tūkst. token, 10 galvų ir 128 galvos dimensiją.
„Google DeepMind“ pristatė „SynthID Bio“ – vandenženklinimo technologiją, kuri įterpia nepastebimą, patikrinamą parašą į AI sukurtus baltymus ir jų 3D struktūras, nepakenkiant jų biologinei funkcijai. Sistema išbandyta su baltymų jungikliais (VEGF-A, SARS-CoV-2 spyglio RBD, PD-L1) naudojant „AlphaProteo“ ir modifikuotą „ProteinMPNN“, taip pat įdiegta į „AlphaFold 3“ difuzijos tinklą struktūrų vandenženklinimui. „DeepMind“ taip pat bendradarbiauja su Stanfordo „Hie“ laboratorija ir „Arc Institute“, pritaikydama metodą „Evo 2“ genominiam modeliui bakteriofagų genomų vandenženklinimui. Tikslas – sustiprinti biosaugumą, padedant DNR sintezės patikros teikėjams ir viešosioms duomenų bazėms patikrinti AI sukurtų biologinių dizainų kilmę.
