研究论文、技术报告、基准与数据集
Google Research 介绍了三个将 AI 智能体与湿实验相结合的项目：VERD 实验室自动化、闭环适配体发现，以及从头设计蛋白质结合体。经过三轮实验，适配体对肌红蛋白和 α-凝血酶的靶向命中率分别达到 33.5% 和 42.1%；蛋白质设计流程将计算周期加快了八倍以上，并获得了亲和力达到个位数纳摩尔级的结合体。整合这些项目仍是下一步工作，相关保障措施包括序列筛查、机器人执行前进行模拟，以及取得人工授权并由人工监督。
推荐理由：适配体实验展示了实验反馈如何揭示具有误导性的优化目标，为自动化发现流程提供了一种可迁移的方法，用于区分真正的生物学改进与实验伪象。
Artificial Analysis 正将 AMD MI355X 的结果纳入 AA-AgentPerf。该基准会重放真实的编码智能体会话，并模拟提示缓存和工具调用延迟。 在单台 8-GPU 节点上，对于 DeepSeek V4 Pro 0813，在每位用户 35 至 75 tok/s 的范围内，MI355X 的每兆瓦吞吐量比 B200 高约 15% 至 40%。DeepSeek V4.1 Flash 在单个智能体场景下达到 NVIDIA Blackwell 的性能，但随着负载上升则有所落后；GLM-5.2/5.3 和 Kimi K3 的表现也落后于所比较的 NVIDIA 系统。 结果使用 ROCm nightly 以及 vLLM 和 SGLang 的开发版本；Kimi K3 的比较采用 NVIDIA 多节点配置。
vLLM 项目分享了 vLLM-Omni 技术报告，介绍了一种用于全模态生成的统一服务运行时。报告指出，语音助手、视觉生成、世界模型和机器人循环不再遵循单一的文本解码循环，而是演变为多阶段自回归流水线、迭代式扩散和有状态会话；LLM 服务器和扩散框架都只能部分覆盖这些需求。vLLM-Omni 作为共享控制平面，由一个编排器、专用引擎、一个连接器和统一的会话路径组成。文中附有论文和代码仓库链接。
Google Research 发布新一代联邦学习系统，利用可信执行环境（TEE）为数据匿名化提供可验证、可审计的保证，Gboard 已采用该系统上线英语和日语下一词预测模型，隐私保证更强且准确率提升。
推荐理由：Google 公布基于 TEE 的新一代联邦学习系统，并给出 Gboard 已上线的实际部署结果，可了解隐私计算在端侧训练中的工程路径。
ServiceNow CoreAI 构建了 AutoSynthData，利用目标模型的失败案例与更强教师的成功轨迹定位能力缺口，再生成并验证新任务用于后训练，课程随模型进步转向仍难的任务。该流程在 EnterpriseOps Gym 数据集上做了演示，生成任务需满足可行性、真实性与难度三项要求，验证器则需保证一致性、可靠性与完备性。
微软研究院开发了一套端到端机器学习流水线，利用 L1 太阳风观测和 AE、Dst 指数预测，为美国本土 66,935 座变电站生成 30 至 60 分钟前的局地空间天气风险估计。
DeepSeek 在知乎独家发布技术长文，首次系统阐释支撑 DeepSeek-V4 全部训练、评测与数据预处理流程的沙盒基础设施 DSec，相关技术报告已公开至 arXiv，由 DeepSeek 联合清华大学发布，作者团队超过 130 人。
斯坦福 The Movement Lab 与加州理工学院公开研究项目 HomeBody，把 GPT Astra 接入 Unitree G1，让机器人先探索陌生厨房，再按指令完成找东西、拿药、扔垃圾和开抽屉等连续任务。
微软研究院对移动机器人操作负载做了系统测量，发现把物理 AI 推理从机载 GPU 卸载到边缘或云端 GPU 可提升任务表现并延长续航。
推荐理由：微软研究院对机器人推理负载做了系统测量，给出把推理从机载 GPU 卸载到边缘或云端的性能与续航数据。
Hugging Face 最新论文提出两项系统改进，让大语言模型知识蒸馏的训练成本大幅下降：离线缓存教师模型的 top-100 logits，使教师模型无需与学生模型同时驻留显存；融合分块 KL loss 避免生成完整的词表×序列长度矩阵。
Berkeley AI Research 与 IBM Research 将演化式内核搜索框架 K-Search 扩展到 MLX，并加入结构化的 CUDA 到 MLX 翻译层，让已有 CUDA 内核经验自动适配 Apple Silicon。
推荐理由：原文给出了 CUDA 到 MLX 的翻译层设计与两组内核实测数据，可看到跨平台内核知识迁移的具体做法。
Google Research 在 Nature Cities 发表首个大规模真实世界研究，通过修改 Google Maps 算法将约 2% 的行程引导至替代路线，在美国 10 座城市测试六个月。结果显示目标路段行驶速度中位数提升约 2%，燃油消耗率中位数下降 0.5% 至 1.0%，每座城市每年可减少数千吨 CO2e 排放。
Google Research 发布一种新架构，把多 Token 预测（MTP）头挂到已冻结的 Gemini Nano v3 模型上，在不改动主干权重的前提下加速端侧生成。
推荐理由：Google 把 MTP 头挂到冻结的 Gemini Nano v3 上，给出端侧推理在内存与能耗约束下的具体做法和收益。
Google Research 提出线性弹性缓存，把页面淘汰建模为滑雪租赁问题，用轻量机器学习动态调整缓存大小。在 Spanner 生产环境测试数月后，内存占用降低 15.5%，缓存未命中仅增加 5.5%，总拥有成本（TCO）降低约 5%，实际 I/O 成本影响仅 0.5%。
Google DeepMind 发布 Decoupled DiLoCo 分布式训练架构，把大规模训练拆成异步通信的计算孤岛，降低带宽需求并隔离硬件故障。测试中该系统在整块 learner unit 掉线后仍能继续训练并重新接入，用 Gemma 4 模型达到与传统方法相同的 ML 性能。
推荐理由：原文给出跨数据中心异步训练在带宽、容错和跨代硬件上的实测结果，可据此判断分布式预训练的工程取舍。
Google 发布 TurboQuant 压缩算法，可将 KV cache 量化到 3 bit，无需训练或微调且不损失模型精度，同时把 KV 内存占用降低至少 6 倍。
推荐理由：Google 给出 TurboQuant 的算法细节与基准结果，读者可据此判断 KV cache 压缩在长上下文场景的可用性。
