报道

EnergAIzer 对 NVIDIA H100 功耗的预测误差仅为 7%

4.25-4.30
Weekly Highlights!

港大开源 nanobot 不足四千行代码，集成多模型、长记忆与动态工具，是构建数字员工的极简框架。

英国华威大学研究团队构建了一套堆叠式集成学习框架，直接从 TESS 光变曲线中预测盾牌座 δ 型星的关键星震学参数。

4.18-4.24
Weekly Highlights!

HyperAI 官网（hyper,ai）的教程板块已经上线了「一键部署 Qwen3.6-27B」，完成环境配置，助力快速验证热门开源模型！

以色列理工学院提出 Task Tokens，显著提升行为基础模型在特定机器人任务中的效率与适应性，同时保持零样本泛化能力。

本文汇总了 10 个医疗相关数据集，支持在线使用，覆盖了不同疾病场景与研究方向，

HyperAI 官网（hyper.ai）的教程板块现已上线「Qwen3.6-35B-A3B 智能体编程利器」，低门槛快速体验热门开源模型！

多伦多大学等机构提出的 dnaHNet 模型，为平衡计算可行性与生物学保真度提供了新思路。

4.11-4.17
Weekly Highlights

本文为大家汇总了 Artificial Analysis 报告中提及的高质量开源模型，快来亲自体验逼近闭源模型的高性能吧！

韩国 KAIST 团队借助深度学习，以 NTF2 为核心从头设计小分子结合蛋白，并据此开发出识别皮质醇的 AI 生物传感器 。

为了便于大家快速上手 DeepTutor 并将其落地到实际学习场景，HyperAI 官网（hyper.ai）的教程版块上线了「DeepTutor 个人学习助手」，已经完成环境配置，降低使用门槛。

巴斯德研究所开发三款模型：ALBERT_DF 、 ESM_DF 及 GeneCLR_DF，实现抗噬菌体功能的大规模预测。

「HyperAl 超神经为大家整理了 4.06-4.10 期间一系列极具价值且应用广泛的教程和数据集，涵盖语音生成、文生图、大模型 等多个领域~」

来自康奈尔大学的研究团队提出了一个模块化且具备溯源追踪能力的多智能体平台 EMSeek，在 20 种材料体系和五类任务上的评测结果表明，其在分割任务上实现了约两倍于 Segment Anything 的速度并具备更高精度，并且在仅约 2% 标注数据进行校准的情况下，在 3 个分布外性质预测基准上达到或超过强单一专家模型的表现。完整查询在每张图像上仅需 2 至 5 分钟，速度约为专家流程的 50 倍。

HyperAI 官网（hyper.ai）的教程版块已经上线了「一键部署 Gemma-4-31B-it」，助力开发者低门槛体验先进模型。

「HyperAl 超神经为大家整理了 3.30-4.05 期间一系列极具价值且应用广泛的教程和数据集，涵盖语音生成、文生图、大模型 等多个领域~」

麻省理工学院的研究人员提出了 DRiffusion 草稿-精炼扩散模型，融合系统级方法与数学方法的优势，在不牺牲生成质量的前提下实现了显著加速，为兼顾扩散模型的高保真度与采样效率提供了全新的解决方案。

HyperAI 官网（hyper.ai）的教程板块已上线「一键部署 Qwen3.5-27B-Claude-4.6-Opus-Reasoning-Distilled」，快来体验高性能推理模型吧！

来自 MIT 的研究团队提出了一种基础型机器学习模型 DefectNet，能够直接从振动光谱中预测取代型点缺陷的化学种类及其浓度，即使在多元素共存的情况下亦可实现。模型在包含 56 种元素的未见晶体中展现出良好的泛化能力，并可通过实验数据进行微调。

华中科技大学与小红书 hi lab 联合开源 dots.mocr 多模态文档解析工具，突破传统 OCR 局限，实现对复杂文档中文字、图表、表格等元素的统一结构化处理，支持 SVG 代码转换。

来自华威大学的研究团队提出一个面向 TESS 候选体的全新筛选与验证流程 RAVEN，其引入了合成训练数据集，不再仅依赖任务本身产生的阈值越界事件（TCE）数据，这一改进大幅拓展并增强了机器学习模型所覆盖的行星与假阳性情景参数空间。在一个包含 1361 个预分类 TESS 候选体的独立外部测试集中，该流程实现了 91% 的总体准确率，展示了其在自动排序 TESS 候选体方面的有效性。

MIT 与卡内基梅隆大学研究团队提出的蛋白质生成智能体模型 VibeGen，通过将序列生成与振动动力学预测相结合，实现了从头蛋白质设计。研究结果表明，该生成式智能体所设计的蛋白质，不仅能够折叠为稳定且新颖的结构，还可在主链层面上重现目标振动振幅的分布特征。

HyperAI 整理了一批优质的推理数据集，覆盖多领域、多任务推理、合成推理训练数据，科研评测基准以及大规模问答数据，并支持下载或在线使用数据集。

MIT 的研究人员提出了一种名为 Wave-Former 的新型方法，能够实现对完全被遮挡的、形态多样的日常物体进行高精度的三维形状重建。该方法不仅解决了信号噪声高、遮挡严重的问题，同时通过创新的物理感知训练框架，实现了基于合成数据训练而在真实环境中高保真重建的能力。在与最先进基线方法的直接对比中，Wave-Former 将召回率从 54% 提升至 72%，同时保持了 85% 的高精度。

NVIDIA 在 GTC 2026 上发布了 NVIDIA Isaac GR00T 、 Kimodo 和 SOMA-X 三个开源项目，分别从决策、生成与表示三个层面，切入同一个问题——如何让机器更自然、更高效地完成复杂动作。同时还还发布了 FDFO 这一面向扩散模型的训练方法，从生成模型优化的角度，为上述能力提供底层支撑。

来自明尼苏达大学双城分校的研究团队开发了一种创新知识引导型机器学习模型，该模型的算法结构直接受到水文学科学知识的启发，被称为因子化层级神经网络（FHNN）。研究表明，在预报发布后 2–7 天的时间尺度上，该模型的性能与美国国家气象局的洪水预报相当甚至更好，并且优于未在结构中融入物理科学知识的主流机器学习方法。

英伟达、牛津大学、魁北克人工智能研究所等机构的联合研究团队提出了 Proteína-Complexa 框架，旨在弥合生成式与幻觉式方法之间的断层，将基础生成模型与推理时优化机制统一于同一体系之中，能够实现最优的从头结合剂设计，且无需额外的序列重新设计步骤。