Meta 提出 AI 研究偏好模型 RPM：算力该投给哪个实验，先排序再执行
Meta 提出 AI 研究偏好模型 RPM：跑实验前先给候选方案排序，把算力留给最有希望的路径——15 小时达成无引导智能体 24 小时的效果，预算不到三分之二。
Research Preference Models: Meta Prioritizes AI Experiments
Meta's Research Preference Models rank which experiments deserve compute before execution, cutting the GPU budget by a third.
Token 也能做贷款抵押了：算力经济进入银行信贷时代
银行开始按 Token 消耗与算力产出给 AI 企业放贷，广东、上海、安徽、武汉接连落地。算力从技术单位变成银行认可的信用凭证，轻资产 AI 企业的融资范式正在被改写。
Banks Lend Against AI Tokens: Compute Becomes Collateral
Chinese banks now lend against AI token usage, treating usage data as collateral for light-asset AI startups.
Claude 自主设计蛋白质：15 个靶标命中 14 个，AI 科研进入自主执行时代
Claude 自主完成整套蛋白质设计流程：15 个靶标命中 14 个，成功率 22%-35%，远超行业基线 10%-15% 两到三倍；从预测结构到从零设计，AI 科研进入自主执行时代。
Claude's Autonomous Protein Design Hits 14 of 15 Targets
Claude designed protein binders for 14 of 15 targets, beating the 10-15% industry baseline with 22-35% hit rates.
CPU 与 GPU 同样重要：Arm 正在成为 AI 数据中心的新底座
GPU 是 AI 第一波的主角，CPU 却是智能体时代的隐形赢家。微软 Cobalt 与 AWS Graviton 的最新数字，正在改写数据中心的计算配比。
Why Arm CPUs Are Now Core to AI Data Centers
Arm CPUs are quietly becoming the backbone of AI data centers. Agent workloads make CPU as important as GPU, and hyperscalers are betting on it.
BoltzMol-1: Virtual Screening That Finds Real Hits
BoltzMol-1 turns Boltz-2 into a prospective screening pipeline: real hits on 6 of 10 targets, 28-96 compounds each.
虚拟筛选的评价标准变了：BoltzMol-1 用真实命中率说话
BoltzMol-1 把 Boltz-2 的共折叠与亲和力预测改造成前瞻性虚拟筛选管线：10 个靶点、每靶点 28–96 个化合物，6 个靶点拿到 binder 或功能活性。
Why AI-Generated Games Fail: The 6-Agent Repair Loop
Generated code that runs is not a playable game. The 6-agent generate-run-check-repair loop is how Spellcaster fixes it.
AI 生成游戏为什么不能玩？六个 Agent 的「生成—运行—检查—修复」闭环
代码能跑不代表游戏能玩：平台够不着、敌人没有攻击判定、障碍刷新叠成必死路。拆解 Spellcaster 六 Agent 的「生成—运行—检查—修复」闭环与可玩性验证设计。