Microsoft Research 在 Physical AI Toolchain 中新增了机器人推理卸载功能，支持通过 Kubernetes 将 AI 工作负载从机器人本体卸载至边缘或云端。研究表明，该方案能有效解决机载 GPU 带来的功耗与性能瓶颈，在提升任务成功率的同时显著延长机器人续航时间。
推荐理由：微软研究团队通过实验证明将机器人推理任务卸载至边缘或云端可显著提升性能并延长续航，并为此在 Physical AI Toolchain 中引入了分布式推理支持。
Microsoft Research 发布了逆合成预测框架 RetroChimera，该成果已发表于 Nature。该模型通过集成 Transformer 架构的 R-SMILES 2 与基于图神经网络的 NeuralLoc，利用学习排序策略整合两者的互补优势，在盲测中表现出优于现有基准的合成路线预测能力。RetroChimera 的实现代码与权重已在 GitHub 开源。
Google Research 推出 MilleMiglia，这是一款基于 C++ 开发的实例生成器，旨在为中程物流配送问题创建具有真实感且保护隐私的基准数据。该工具通过构建空间-时间图模型，解决了中程物流中货物在配送中心间转运、分拣及同步的复杂调度难题。目前，MilleMiglia 的源代码和文档已在 GitHub 开源，为物流优化研究提供了基础支撑。
研究人员扩展了 K-Search 框架，通过引入 CUDA 到 MLX 的结构化翻译层，将 NVIDIA 生态中的内核优化经验自动适配至 Apple Silicon。实验显示，该方法在 Apple Silicon 上实现了接近专家级的性能，其中 Attention 内核达到原生 MLX 性能的 0.97 倍，Mamba SSM 内核的预填充速度较社区实现提升了约 20 倍。
推荐理由：该研究通过构建 CUDA 到 MLX 的翻译层，使 AI 驱动的内核搜索框架能将 NVIDIA 的优化经验迁移至 Apple Silicon，为非 CUDA 硬件的性能优化提供了可迁移的自动化路径。
Berkeley AI Research 提出 ABBEL 框架，通过将交互历史转化为自然语言“信念状态”并引入信念评分机制，解决长程任务中递归总结带来的性能损耗。
自适应并行推理（APR）允许模型根据问题复杂度动态决定何时分解任务、并行执行线程及协调结果，旨在解决传统顺序推理带来的上下文冗余与高延迟问题。文章对比了 Multiverse 等修改推理引擎的方案与 ThreadWeaver 等客户端编排方案，并探讨了如何通过强化学习激励模型学习并行控制流，同时指出该领域在推理稳定性与训练目标上的开放性挑战。
推荐理由：文章系统梳理了自适应并行推理这一新兴范式，对比了不同技术路径在推理效率与实现复杂度上的权衡，为理解大模型推理加速提供了关键视角。
GRASP 是一种针对学习型世界模型的新型梯度规划器，通过将轨迹提升至虚拟状态以实现并行优化，并引入状态噪声与梯度重塑技术，解决了长程规划中梯度消失、爆炸及状态输入敏感性导致的脆弱问题。实验表明，该方法在长程任务中相比传统规划器显著提升了成功率并缩短了计算时间。
Berkeley AI Research 推出 SPEX 与 ProxySPEX 算法，旨在解决大规模 LLM 交互识别的计算难题。该框架利用稀疏性、低阶性和层次性等结构特征，通过策略性消融实验实现高效归因。其中，ProxySPEX 进一步利用交互的层次结构，在保持与 SPEX 同等性能的同时，消融次数减少约 10 倍，有效提升了长上下文场景下的归因准确性。
研究人员开发了一种基于信息内容评估与优化成像系统的框架，通过直接量化测量结果中包含的有用信息，解决了传统指标难以综合衡量分辨率、噪声与采样等因素的问题。该方法利用已知噪声物理模型简化互信息计算，在彩色摄影、射电天文学、无透镜成像及显微镜等四个领域中，均能准确预测系统性能。实验证明，该框架优化出的设计方案在无需特定解码器的情况下，即可达到 SOTA 端到端方法的性能，且显著降低了内存与计算需求。