Allen Institute for AI (Ai2) udostępnił na zasadach open source model AstaBrief 8B, zbudowany na bazie Qwen3-8B, który przekształca pytania badawcze i wyodrębnione fragmenty literatury w raporty naukowe z cytowaniami. Model jest już dostępny w platformie Asta firmy Ai2 jako tryb 'Fast mode' obok trybu 'Thinking mode' opartego na Claude, generując raporty w czasie około 51,1 sekundy średnio w porównaniu do 178,5 sekundy dla pipeline'u opartego na Claude — czyli mniej więcej 3,5 razy szybciej. Ai2 wytrenował model, stosując nadzorowane dostrajanie (SFT) na 47 tys. przykładów (wyselekcjonowanych z 90 tys. przefiltrowanych rzeczywistych zapytań badawczych), a następnie DPO na około 6 tys. par preferencji, stwierdzając, że filtrowanie danych treningowych pod kątem gęstości cytowań było pojedynczym najskuteczniejszym czynnikiem poprawiającym jakość osadzenia (grounding) odpowiedzi w źródłach.
Microsoft Research zaprezentował Quine, system badawczy łączący multimodalny „model świata” biologii z interaktywnym środowiskiem (harness) łączącym modele AI, literaturę naukową, narzędzia laboratoryjne i badaczy. Zbudowany wspólnie na podstawie takich typów danych jak genomika, białka, chemia, RNA/stan komórki oraz bioobrazowanie, model ma na celu przewidywanie, jak systemy biologiczne reagują na interwencje, zanim przeprowadzone zostaną kosztowne eksperymenty laboratoryjne. Współpracując z Broad Institute of MIT and Harvard, Microsoft wykorzystał Quine do uszeregowania tysięcy związków pod kątem potencjału do zmiany stanu komórek raka trzustki między stanami terapeutycznymi, a najwyżej ocenione kandydaci zostali zweryfikowani w testach laboratoryjnych (wet-lab) w ciągu jednego weekendu. Microsoft otwiera teraz program „Quine Fellows”, dający wybranym naukowcom wczesny dostęp, zastrzegając jednocześnie, że system jest eksperymentalny, przeznaczony wyłącznie do badań i nie jest przeznaczony do zastosowań klinicznych.
Inżynierowie Google opisują, jak zaimplementowali rzadką uwagę przestrzenno-czasową (sparse spatio-temporal attention) dla modeli dyfuzji wideo na chipach TPU v6e, przekształcając teoretyczną rzadkość podejścia Sparse VideoGen (SVG) w realne przyspieszenia sprzętowe. Dzięki serii optymalizacji kernela (specjalizacja kafelków pełnych/brzegowych, strojenie rozmiaru kafelków oraz wyrównanie kafelków maski) zredukowali opóźnienie kernela uwagi z 96,37ms (naiwna wersja rzadka) do 32,76ms, co daje 2,40x przyspieszenie względem gęstej Splash Attention na pojedynczym chipie TPU v6e, przy 75,6K tokenów, 10 głowicach i wymiarze głowicy 128.
Google DeepMind zaprezentowało SynthID Bio, technologię znakowania wodnego, która osadza niewykrywalny, możliwy do zweryfikowania sygnaturowy znak w zaprojektowanych przez AI białkach i strukturach 3D bez naruszania ich funkcji biologicznej. System przetestowano na białkach wiążących (VEGF-A, SARS-CoV-2 spike RBD, PD-L1) z użyciem AlphaProteo oraz zmodyfikowanego ProteinMPNN, a także dostrojono do sieci dyfuzyjnej AlphaFold 3 w celu znakowania przewidywanych struktur 3D. DeepMind współpracuje również z laboratorium Hie na Stanfordzie oraz Arc Institute, aby zastosować to podejście do Evo 2, modelu genomowego, w celu znakowania zaprojektowanych genomów bakteriofagów. Celem jest wzmocnienie bezpieczeństwa biologicznego poprzez pomoc dostawcom usług przesiewowego badania syntezy DNA oraz publicznym bazom danych w weryfikacji pochodzenia projektów biologicznych generowanych przez AI.