Google Research 发布《Toward provably private learning from federated data》，介绍新一代联邦学习系统把训练和去匿名化计算放在可信执行环境中，并通过 Rekor 公共透明日志、可重复构建和访问策略绑定来提供外部可验证的隐私保证。
推荐理由：文章给出了新一代联邦学习系统的完整设计，将 TEE 的远程验证与访问策略绑定，读者可以据此理解可审计隐私的技术路径。
Google DeepMind 介绍 SynthID Bio，把不可见的数字水印嵌入合成蛋白质序列的氨基酸选择和预测3D结构的原子坐标中。测试显示在 VEGF-A、SARS-CoV-2 刺突蛋白 RBD 和 PD-L1 等靶点上保持结合活性与野生型相似度，并把能力写入 AlphaFold 3 扩散网络的局部微调中。
推荐理由：将可验证的数字水印嵌入蛋白序列与3D结构且不影响生物活性，为AI设计生物学提供新的溯源与筛检手段。
METR 研究显示 AI 对网络安全漏洞发现的加速最显著，数学研究仅有轻微加速，算法优化则无明显加速。SPADE 框架让 LLM 交替扮演环境设计师和推理智能体，通过自我对弈生成可执行训练环境。基于 Qwen3-30B-A3B-Instruct-2507 的测试显示，该方法使 AIME 等基准平均得分提升 8.1。
伯克利Sky Lab的K-Search框架新增MLX后端，通过结构化CUDA-to-MLX翻译层把CUDA内核优化知识迁移到Apple Silicon，在Attention内核上达到原生MLX性能的0.97倍，在Mamba SSM内核上相较mlx-lm社区实现获得最高约20倍prefill加速。
推荐理由：展示了如何把CUDA内核优化知识自动迁移到Apple Silicon，给出了Attention和Mamba SSM在MLX上的实测加速数据。
Berkeley AI Research提出ABBEL框架，将摘要隔离为自然语言信念状态并加入信念评分，解决LLM在长程交互中上下文无法无限扩展的问题。在CollabBench协作代码生成评测中，ABBEL-rec-BG相比全上下文模型缩小约50%的性能差距，且训练步数减少50%；峰值上下文token降至6.01×10²，低于无信念评分版本。
Berkeley AI Research 发布综述，介绍自适应并行推理让推理模型在推理时自行决定何时拆分、并发几个线程以及如何协调，以此缓解序列推理随探索变长带来的延迟和上下文退化。
推荐理由：文章系统梳理了并行推理的技术路线，给出了两种实现架构与奖励设计的对比，便于判断哪条路径适合你的硬件约束。
Berkeley AI Research 提出 GRASP，一种用于学习动态模型（世界模型）的基于梯度的规划器。通过将轨迹提升到虚拟状态实现时间维度并行优化，直接为状态迭代添加随机性，并重塑梯度以避开高维视觉模型中脆弱状态输入梯度，从而让长视野规划更加稳定高效。
推荐理由：文章解释了长视野梯度规划中状态梯度的脆弱性，并提出通过动作梯度重塑提升鲁棒性的方法。
Berkeley AI Research 提出 SPEX 和 ProxySPEX 算法，通过稀疏恢复机制在大量特征、训练数据及内部组件中高效识别对大语言模型输出驱动关键交互。ProxySPEX 借助层级结构仅需约 10 倍更少的消融实验即可达到与 SPEX 相当的性能，显著降低了计算成本。
Berkeley AI Research 在 NeurIPS 2025 提出信息驱动成像系统设计框架。该方法仅利用含噪测量值和噪声模型估算互信息，避免传统指标割裂评估或需联合训练解码器的复杂性问题。IDEAL 方法通过梯度上升优化编码参数，在彩色摄影、射电天文、无透镜成像和显微术四个领域验证了信息量与下游性能的相关性。代码已开源。
推荐理由：提出直接基于噪声测量值评估成像系统信息量的方法，无需解码器即可优化硬件设计。