Ai2发布ToyBlocks：桌面方块世界让机器人学习可复现，仿真与真机技能成功率接近
Ai2 发布 ToyBlocks，一个围绕机械臂与桌面方块搭建的开源仿真框架，属于其 FoundationWorlds 系列的第一个受控世界。它自动生成任务与演示数据，并给出成功率之外的执行速度、受力和任务进度等指标，让研究者能改变训练数据或模型设计后重复测试、追溯失败原因。在真机零样本测试中，ManiFlow 的原子技能成功率在仿真与现实中分别为 80.0% 和 81.1%。
ELEM拿出100万美元征集虚拟细胞数据方案：先定细胞、基因与扰动组合，再谈测多少样本
ELEM Biotech 计划投入100万美元，用于生成并公开共享扰动数据，以训练和验证虚拟细胞模型，并公开征集全球研究者提出应优先测量哪些实验。征集要求给出具体的细胞、基因与扰动组合，并说明采样时间、读出、对照和独立生物学重复；这些数据将建立在已开源的 ELEM-1200RS 与即将开源的 ELEM-600PR 之上。其自动化平台每月可制备最多10万个阵列式遗传扰动细胞样本，但这是样本产能，不等于每月测完10万个不同基因。
Atlas数据联盟启动：五家创始成员每季度各设计一百万个蛋白互作亲和力测量，数据共享而非共享模型
A-Alpha Bio 发起 Atlas 数据联盟，试图用共享实验数据而非共享模型来解决蛋白模型训练数据不足的问题。此前的数据共享多依赖联邦学习，只能汇集各公司已有数据，无法扩大总量。联盟由五家创始成员每季度各设计一个含一百万个蛋白-蛋白亲和力测量的数据块，全部在 AlphaSeq 平台上按统一条件生成，按非独占许可季度发布给所有成员。首个联盟聚焦 VHH 重链抗体可变域，其他骨架的联盟预计自 2027 年起启动。
货运网络设计不再逐场景求解：用单场景解扰动出训练数据，估计成本与实际成本平均只差1.33%
两阶段随机服务网络设计要为不确定货量预先决定每条线路开多少车，第二阶段的补车成本使问题难以求解。一种做法用前馈神经网络替代这一补车成本子问题，并把训练好的网络嵌入混合整数规划中求解；由于第一阶段是普通整数变量，训练样本改由单场景问题的解做局部扰动生成。在18个算例上，扰动法所得设计的总成本与全场景评估值平均偏差1.33%，随机生成样本的偏差为10.81%。
表格截图直接变成可查询数据库：2B模型在合成表上表级完全匹配0.86，外键召回0.99
从一张文档图像直接写出可执行的SQLite数据库，而不只是保留版式的表格标记。PIX2DB用Qwen3-VL-2B加LoRA在36,589个带精确金标准数据库的样本上训练，再经确定性校验修复层，在来自未见数据库的渲染表上取得0.86表级完全匹配和0.99外键召回，同族8B模型提示生成SQL为0.75/0.75，8B的HTML转SQLite流程为0.47/0.00。在未参与训练的TabRecSet上它写出数据库的直接系统里最好（0.52），但仍落后8B HTML流程（0.58），差距主要在照片文字识读。
单条成功演示不再只当监督：学会改轨迹后，15个Meta-World任务平均成功率92.7%
把一条成功演示当作可编辑的骨架，用稀疏成功奖励学出何时切换物体中心阶段、如何做几何修正，15个Meta-World任务平均成功率92.7%，在9个DexMimicGen任务上生成数据的平均编辑成功率98.4%。
元智能体生成的终端任务让9B模型在20步内达到81.3%平均pass@2，加入困难任务后降至20.6%
该工作提出一个由前沿模型（如Claude Opus）作为元智能体生成终端任务与验证器的流水线，诊断出基准无效、执行框架脆弱和奖励错配三类失败，并通过提示重设计与上下文扩展将基线可解性提升5.6倍；一个9B模型在Claude Opus生成的任务上20步内平均pass@2饱和于81.3%，而在不改变训练配置的情况下加入困难任务后降至20.6%，表明可解性区间是模型特定的。
已读完全部报道