Microsoft Research 用机器学习预测电网空间天气风险
Microsoft Research 构建了一套机器学习管线，为美国本土 66,935 座变电站生成空间天气风险估计，并可提前 30-60 分钟发出特定风险预警。
推荐理由：文章展示了从太阳风预测到变电站风险估计的完整链路，并用评估指标说明其预警能力与落地前的验证环节。
#部署/工程
#部署/工程
今日 1 条Microsoft Research精选AI 评分6161
Microsoft Research精选AI 评分7272 Microsoft Research：物理 AI 机器人推理卸载可提升性能与续航
Microsoft Research 的研究显示，将物理 AI 推理从机器人板载 GPU 卸载到边缘或云端 GPU，可提升移动操作任务的成功率、模型运行能力和电池续航。
推荐理由：文章以移动操作机器人工作负载为对象，比较板载、边缘与云端 GPU，呈现推理基础设施对任务成功率、续航和模型部署的具体影响。
Google ResearchAI 评分5757 Google Research 介绍 MilleMiglia 中程物流实例生成器
Google Research 介绍 MilleMiglia，这是一个用 C++ 编写、用于生成现实中程物流问题基准实例的开源生成器。它通过空间分布、需求和车辆运行等统计分布生成隐私保护数据，并在统一格式中纳入固定时刻表、配送中心吞吐量限制和跨车辆同步约束。
Hugging Face BlogAI 评分5959 QAH 将 GPT-OSS 120B 压缩为 60B 4-bit 模型，并在 9 项基准中 7 项超过 BF16 版本
Multiverse Computing 提出 Quantization-Aware Healing（QAH），将 GPT-OSS 120B 压缩为 60B 参数并量化至 MXFP4，在 9 项基准中的 7 项超过同架构 BF16 检查点。
Hugging Face Blog精选AI 评分6464 Multiverse Computing 介绍让知识蒸馏规模化运行更低成本的方法
Multiverse Computing 的论文提出离线缓存教师模型的 top-100 logits，并使用 fused chunked KL loss 降低大语言模型知识蒸馏的显存占用。
推荐理由：文章将离线 top-100 logits 缓存与 fused chunked KL loss 结合，展示其如何降低长上下文蒸馏的显存和训练成本。
Berkeley AI Research精选AI 评分6767 K-Search 如何将 CUDA 内核经验迁移到 MLX 并优化 Apple Silicon
IBM Research 将 K-Search 扩展为支持 MLX 的后端，并通过结构化 CUDA-to-MLX 翻译层，把 CUDA 内核优化经验迁移到 Apple Silicon。
推荐理由：文章展示了如何把 CUDA 内核中的优化经验结构化迁移到 MLX，并以 Attention 和 Mamba SSM 实测说明翻译层对 Apple Silicon 性能的影响。
Hugging Face Blog精选AI 评分7070 ScarfBench：面向企业 Java 框架迁移的 AI 智能体基准
ScarfBench 是一个用于评估 AI 智能体执行企业 Java 跨框架迁移的开放基准，覆盖 Spring、Jakarta EE 和 Quarkus。基准包含 34 个应用、204 个迁移任务和约 151K 行代码，要求应用完成构建、部署并通过行为验证；当前最强智能体的行为成功率仍低于 10%。
推荐理由：ScarfBench把企业 Java 框架迁移拆成构建、部署和行为验证，揭示编码智能体在可编译代码之外仍受配置与运行环境依赖影响。
Google ResearchAI 评分5353 Google Research 论文提出线性弹性缓存，降低 Spanner 缓存成本
Google Research 在 CIDR 2025 论文中提出线性弹性缓存，将页面淘汰建模为 ski rental 问题，并根据实时负载动态调整缓存大小。在 Spanner 生产服务器的测试中，内存使用减少 15.5%，缓存未命中增加 5.5%，TCO 降低约 5%，实际 I/O 成本仅增加 0.5%。该方法使用轻量级决策树预测页面 TTL，缓存物理空间不足时仍由 LRU 管理。
Google DeepMind精选AI 评分7171 Google DeepMind 发布 Decoupled DiLoCo 分布式训练架构论文
Google DeepMind 发布新论文，介绍 Decoupled DiLoCo 如何通过异步连接多个计算“岛”提升跨数据中心训练的弹性。
推荐理由：文章展示了 Decoupled DiLoCo 如何在跨区域训练中降低带宽依赖、隔离硬件故障，并兼容不同代际芯片，为分布式预训练提供基础设施思路。