清华大学论文提出 TokenRouter，一个支持逐 Token 大小模型路由的 LLM 服务系统，在 5 种路由方法下吞吐量较现有最强方案提升 2.01 至 64.15 倍。针对 vLLM、SGLang 等框架一请求一模型导致的慢模型拖累问题，TokenRouter 为每个模型分配独立服务器，通过传递半成品回答并同步 KV cache，同时短暂缓存请求以增大各模型的批处理规模。

DAIR.AI 介绍 NVIDIA 的一篇论文：在所测六个模型中，每次 RL 步骤后仅 0.6% 到 1.2% 的模型权重发生变化，但标准 refit 每次更新后仍会把完整 checkpoint 复制到 rollout 集群，1T 模型跨两个 AWS region 复制需 87.5 分钟。

Virginia Tech 论文提出 Hybrid Latent Attention，将旧 token 压缩为紧凑向量供 attention 直接读取，使循环 LLM 每 GPU 吞吐提升 4.0 至 8.8 倍且精度损失极小。

Meta 等提出 Context Language Models：让模型用 Bash 编辑自身上下文

Meta 与同事的论文提出 Context Language Models（CLM），把上下文作为模型可用 Bash 编辑的文件，由模型决定保留、改写或删除哪些内容。

Hugging Face BlogAI 评分3838

ServiceNow CoreAI 的 AutoSynthData 如何为企业智能体生成训练数据

ServiceNow CoreAI 构建了 AutoSynthData，利用目标模型的失败与更强教师的成功来定位能力缺口，并生成、验证新的可执行训练任务，课程随模型进步向仍难的任务迁移。该方法以 EnterpriseOps Gym 数据集演示，任务由系统规范、用户提示词和验证器三部分组成，需满足可行性、真实性与难度要求。

微软研究院用机器学习预测电网空间天气风险

微软研究院实习生开发了一套端到端机器学习流水线，为美国本土 66,935 座变电站生成空间天气风险预测，可提前 30 至 60 分钟预警。系统结合 AE 与 Dst 指数预测、地质电导率和电网数据，在 2020-2026 评估期内检测到近 80% 的重大空间天气事件，其中 Dst 预测在 62.2% 的高活跃时段优于 Burton 方程。

机器人正变得更聪明，但它们的硬件如何跟上这种发展？Microsoft Research 的新研究发现，将 AI 推理移出机器人本体，可以提高任务成功率、提升效率，并支持更复杂的物理 AI 工作负载。msft.it/6014agepg

微软研究：将物理AI推理卸载到边缘或云端可提升机器人性能与续航

微软研究院对移动机器人操作负载做系统性测量，发现把物理AI推理从机器人端侧GPU卸载到边缘或云端GPU，可提升任务成功率、支持更大模型并延长续航。

荣誉提名：分析数据库中标量函数的可扩展 GPU 加速：编译、基准测试与优化 分析数据库支持数百种标量函数，这些函数往往成为查询瓶颈。本工作提出一种基于编译器的方法，将生产数据库的标量函数转换为高效的 GPU kernel，同时保留其原始语义，从而为分析工作负载带来显著的性能提升。msft.it/6014aTYVo

Hugging Face BlogAI 评分3838

Hugging Face 论文：用离线 Top-K Logits 与融合分块 KL 损失降低 LLM 知识蒸馏成本

Hugging Face 最新论文提出两项系统改动，让 LLM 知识蒸馏成本大幅下降：先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；再用融合分块 KL 损失，避免生成完整的词表×序列长度矩阵。

Berkeley AI ResearchAI 评分5252

从 CUDA 到 MLX：K-Search 如何把数十年 kernel 经验带到 Apple Silicon

Berkeley Sky Lab 与 IBM Research 将演化式 kernel 搜索框架 K-Search 扩展到 MLX 后端，通过结构化 CUDA-to-MLX 翻译层把已有 CUDA kernel 知识迁移到 Apple Silicon。

Google ResearchAI 评分3838

Google Research 如何用 Google Maps 路线干预缓解城市交通拥堵

Google Research 在 10 座美国城市开展大规模实验，通过修改 Google Maps 算法将不到 2% 的行程引导至拥堵路段之外的替代路线，使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%。

Google ResearchAI 评分2727

Google 用线性弹性缓存优化云成本，Spanner 内存用量降 15.5%

Google Research 提出线性弹性缓存，将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 生产环境实测内存用量降低 15.5%、缓存未命中仅增加 5.5%、TCO 降低约 5%。该方案用浅层决策树为每个页面预测 TTL，缓存写满时仍由 LRU 兜底，并在多个公开缓存 trace 上与 GDSF 基线对比验证。

Google DeepMind精选AI 评分6262

Google DeepMind 发布 Decoupled DiLoCo 分布式训练架构

Google DeepMind 发布论文提出 Decoupled DiLoCo 分布式训练架构，将训练拆分为解耦的计算“岛屿”，岛屿间异步传输数据，从而隔离局部硬件故障。

Google ResearchAI 评分3535

Google Research 提出 Sequential Attention：让 AI 模型更小更快且不牺牲精度

Google Research 提出 Sequential Attention，用贪心选择机制在单次训练中顺序、自适应地挑选最佳组件，把子集选择直接整合进模型训练，避免传统贪心算法带来的数量级训练开销。该方法在多个神经网络基准上取得 SOTA，并实现快速单遍贪心选择，可用于特征选择、嵌入维度调优和权重剪枝，兼顾效率、精度、可解释性与可扩展性。

Google ResearchAI 评分2020

Google 如何用简单 AI 模型预测电动车充电桩可用性

Google 设计了一个基于线性回归的轻量模型，预测某充电站在未来若干分钟后仍有空闲充电桩的概率，用于将充电站纳入 EV 导航路线以缓解续航焦虑。该模型仅以一天中的小时作为特征，在 30 至 60 分钟预测窗口、至少 6 个充电桩的站点上，表现优于"保持当前状态"这一强基线，主要靠识别高占用周转的少数关键时刻。

Google Research精选AI 评分6060

Google 发布 Project Suncatcher 预印本，探索太空 AI 基础设施设计

Google 公布研究项目 Project Suncatcher，设想由太阳能卫星组成星座、搭载 Google TPU 并通过自由空间光链路互联，以在太空扩展 AI 算力。

OpenAI 发布块稀疏 GPU 内核

OpenAI 发布针对块稀疏权重神经网络的高度优化 GPU 内核，按所选稀疏度可比 cuBLAS 或 cuSPARSE 快数个数量级。团队已用这些内核在文本情感分析和文本、图像生成建模上取得 SOTA 结果。