微软研究院用机器学习预测电网空间天气风险，覆盖美国 66,935 座变电站

微软研究院开发了一套端到端机器学习流水线，利用 L1 拉格朗日点的太阳风观测数据，为美国本土 66,935 座变电站生成 30-60 分钟前的空间天气风险预测。系统结合 AE 与 Dst 指数预测、地质电导率和电网数据，在 2020-2026 年评估期内检测到近 80% 的重大空间天气事件，其中 Dst 预测器在 62.2% 的高活跃时段优于 Burton 方程。

PReCache：面向 Multi-LoRA 智能体的免训练 KV Cache 共享框架

PReCache 是一个免训练的 KV cache 共享框架，通过 PreLRShared 和 ReBaseShared 两种设计共享基于预训练权重计算的基础 cache，并预计算紧凑的智能体专属低秩（LR）cache。

DeepSeek 发布 DSec 弹性计算沙箱平台技术报告，支撑大规模智能体 RL 训练

DeepSeek-AI 发布技术报告，介绍用于大规模 LLM 智能体 RL 训练与评估的生产级沙箱平台 DeepSeek Elastic Compute（DSec），统一提供 FnCall、容器、microVM 和完整 VM 四种后端。

Nvidia SoL-Pi 系统优化 agent harness，编码任务 token 用量减少近一半

Nvidia 研究人员提出 SoL-Pi 系统，用研究 agent 自动优化编码 agent 的控制层（harness），在 EdgeBench 上相比 Codex 节省 50%、相比 Claude Code 节省 54.3% 的 token，性能与原 Pi harness 大致持平。

WaveFront Decoding：面向循环语言模型的无训练自推测解码框架

WaveFront Decoding（WFD）是一种面向循环语言模型的无训练自推测解码框架，利用中间循环输出作为草稿预测、并借助权重共享批量处理不同位置与循环深度的 token 状态。

G^2PTQ：用广义梯度补偿改进 LLM 训练后量化

论文提出 G^2PTQ，一个在全局监督、逐块优化目标下同时整合一阶与二阶信息的统一 PTQ 框架，通过在量化每个 Transformer 块前刷新梯度与 Hessian 估计，避免以往全局方法的估计过时问题。

Softmax 重参数化：面向输出头量化的后训练方法

研究者提出 softmax 重参数化，一种在量化前选取功能等价输出头的后训练方法，通过从每个输出行减去词汇行均值的标量倍数，并按验证 KL 分别为 RTN、激活加权 MSE 和 full-Hessian GPTQ 选择系数。

提出连续深度批处理技术，实现循环语言模型的高效自适应推理

针对循环语言模型（Looped LMs）中不同 token 循环次数不同导致无法使用标准批处理系统的问题，研究者提出了“连续深度批处理”（CDB）方法。该方法通过在循环步骤间动态构建新批次、管理 KV 缓存及预测退出时机，实现了高效的深度自适应推理。实验表明，全循环架构最适合此方法，CDB 可实现高达 99% 的预估最大加速比。

微软研究院：机器人推理卸载至边缘/云端可显著提升性能与续航

微软研究院发布关于物理AI机器人推理基础设施的研究。通过系统评估移动操作任务，发现将推理从机载GPU卸载至边缘或云端，能解决机载算力限制模型规模、导致响应延迟（最高383%）及精度下降的问题。实验显示，卸载推理不仅提升了任务成功率，还通过替换高功耗机载GPU为轻量硬件（如树莓派），使机器人电池寿命延长高达160%。此外，微软推出了基于Kubernetes的Physical AI Toolchain工具集，支持自动化容器化与分布式推理部署。

DeepSeek 发表 DSec 论文公开 Agent 训练沙盒基础设施，梁文锋署名

DeepSeek 发布 DSec（DeepSeek Elastic Compute）论文并署名梁文锋，公开用于 Agent 训练的沙盒基础设施技术细节。

分离式量化：为 LLM Prefill 与 Decode 分别定制量化方案

研究提出"分离式量化"（DQ），针对 prefill 与 decode 两个阶段分别定制计算格式、权重与存储位置。

GLM 官方复盘：Infra Agent 如何在 10 万级国产加速器集群上两周建成 GLM-5.3-Flash 推理系统

智谱（Z.ai）发布技术长文，讲解 GLM-5.3 驱动的 Infra Agent 如何在 100,000 多颗国产 AI 加速器上从零搭建 GLM-5.3-Flash 的生产级推理系统，不到两周将端到端吞吐提升约 3 倍，支撑 1M token 上下文与多模态请求。

BITCOS 布局突破三值 LLM 的 1.58-bit 存储壁垒

论文提出 BITCOS，一种由存在位图加压缩符号向量组成的三值 LLM 权重布局，按零密度 z 计成本为 2−z bits per weight。作者实测 29 个三值模型发现零权重占比最高达 51.5%，其中 26 个模型的存储比 five-trit packing 更紧凑，最稀疏模型达 1.485 bits per weight。

RayOrch：面向基础模型数据准备的谱系控制多粒度数据流执行引擎

RayOrch提出了一种编程模型和分布式执行引擎，用于解决基础模型训练数据准备中异构文档和视频转换的扩展性问题。它通过保留父子关系、支持有序变量基数扩展及匹配收集，优化GPU批处理效率。在NVIDIA H20 GPU上，RayOrch将MinerU从4卡扩至64卡时加速15.14倍，视频流水线从8卡扩至64卡时加速7.82倍，端到端时间较Ray Data减少13.1%。代码已开源。

IBM Research 在 ALTK-Evolve 中引入 Consistency Analyzer 与一致性指南，将 GPT-4.1 智能体在 AppWorld 上的一致性差距从 24.4pp 降到 12.0pp

IBM Research 团队在 ALTK-Evolve 中推出 Consistency Analyzer 和一致性指南，针对智能体反复执行同一任务时结果不稳定的问题。

Rohan Paul@rohanpaul_aiAI 评分5959

一项名为 Detokenization Leaks 的研究提出新攻击，通过观察本地部署 LLM 去分词时的 CPU 缓存活动重建生成文本，无需读取模型内存。

Miles v0.1 发布：面向生产级后训练的开源 RL 系统

Miles v0.1 是一个全栈、生产就绪的前沿后训练系统，围绕 slime 的设计，将 RL 训练循环各环节按可验证、干净、可定制的原则构建，并已在 https://github.com/radixark/miles 开源。

Epoch AI 推出 AI Chip Users explorer，估算五大前沿实验室算力使用量

Epoch AI 推出 AI Chip Users explorer，以 Nvidia H100 等效值（H100e）估算 OpenAI、Google DeepMind、Anthropic、Meta Superintelligence Labs 和 SpaceXAI 用于研究、训练和推理的算力。

Epoch AI 实测 GPT-5.6 与 Claude 5 长上下文延迟缩放差异

Epoch AI 测量四款模型的首 token 延迟（TTFT）随上下文长度的缩放，发现 GPT-5.6 Terra 和 Sol 呈明显二次曲线，Claude Sonnet 5 接近线性，Opus 5 噪声较大但仍接近线性。

Rohan Paul@rohanpaul_aiAI 评分3838

Google 与 KAIST 的论文提出 Declarative Attention（DA），模型通过 <global>、<focus>、<local> 三种模式在思维链中声明需要关注的上下文，推理引擎据此跳过大部分 KV cache 读取，无需额外的外置打分器。

Rohan Paul@rohanpaul_aiAI 评分4848

Rohan Paul 转述 PwC 关于 AI 基础设施建设的报告。报告称数据中心每 1 美元建设支出可能带动约 12 美元未来信息与通信技术设备投入；到 2050 年，硬件可能占数据中心总资本支出的 93%。

Rohan Paul@rohanpaul_aiAI 评分4343

Scale AI 与加州大学发布论文《READY or Not: Reliable Enterprise Agent Deployment》，提出 READY 评估框架，将智能体与配套人工审查一起评估，衡量在指定可靠性目标下所需的人工监督与成本。

DAIR.AI@dair_aiAI 评分4545

微软等机构发布论文提出 AgentScope，一个用于诊断智能体失败的神经符号系统。它把智能体行为从轨迹抽象成结构化表示，再用 LLM 校验的自然语言神经不变量描述行为属性，从而同时定位失败步骤和失败类型；在公开的 Who&When 数据集和作者自建的 AgentErrata 数据集上，故障定位与归因准确率显著优于现有最优方法。

Random Attention 提出随机驱逐 KV cache 以提升长推理效率

Salesforce AI Research 提出 Random Attention，不对缓存 token 打分，而是保留提示词并在每个注意力头内均匀随机驱逐，在四个模型、六个推理任务上匹配最强先验驱逐方法，vLLM 部署下吞吐量高出 32-43%。

Minima 论文解释 Gated DeltaNet 为何能在 NVFP4 W4A4 4-bit 量化下保持性能

Minima 对 Qwen3.8-27B（48 层 GDN、16 层注意力）的全部 496 个线性层（含 GDN）应用 NVFP4 W4A4 量化，在 MMLU-Pro。

DAIR.AI@dair_aiAI 评分6767

DAIR.AI 介绍 arXiv 论文 Trace as State（https://arxiv.org/abs/2609.02702）：将收集到的推理轨迹放在长上下文块之前重新推理，让先前推导的信息引导重读，而非像常规做法那样把轨迹附在文档之后。

Rohan Paul@rohanpaul_aiAI 评分4444

斯坦福等机构的论文 Prefix Sliding for efficient test-time scaling 提出，推理时只保留任务前缀和最近 token 的滑动窗口、丢弃中间推理 token，无需重训即可让推理提速约 3 倍。

Epoch AI 估算最大 AI 数据中心 IT 功率约每 10 个月翻倍

Epoch AI 基于 Frontier Data Centers 数据集（308 条里程碑、86 座设施）估算，自 2024 年年中以来最大在运数据中心的 IT 功率以每年 2.3 倍增长，90% 置信区间对应约 10 个月翻倍。

elvis@omarsar0AI 评分4545

KAIST AI 与 Google DeepMind 等发布论文《Language Models Can Control Their Own Attention》。

elvis@omarsar0AI 评分7171

Meta 发布论文 CORAL，一个 LLM 原生 agent harness，通过闭环观察运行信号、回溯过往决策记忆并调用数值优化器等工具，在固定变更预算内持续重配线上推荐系统，策略无需参数更新即随循环迭代改进。

Declarative Attention 论文提出语言模型可自主控制自身注意力

论文提出 Declarative Attention（DA）协议，让模型在链式思考中声明需要关注哪些上下文区域，推理引擎据此解析声明并跳过大部分 KV cache 读取，避免每步 O(N) 的外部打分开销。

elvis@omarsar0AI 评分4545

一篇 arXiv 论文（https://arxiv.org/abs/2609.00546）提出一种运行时无关的持久智能体架构，把智能体拆为持久的身份、私有记忆和带版本历史的代码，以及可替换的模型、harness、宿主服务器和交互界面。

论文提出用生产流量驱动的后训练将 200+ 内部应用流量整合到单一自托管 LLM

一篇 arXiv 论文提出在数据驻留约束下，将超过 200 个内部应用的流量整合到单个自托管模型，通过生产错误分析沿指令遵循、函数调用和内部任务分布三个轴弥补质量差距。

Rohan Paul@rohanpaul_aiAI 评分4848

Microsoft 论文《Sliding-window beats linear attention》发现，目标是降低推理内存时，免训练的滑动窗口注意力（SWA）优于多数改造的线性注意力方法，只需保留小窗口加前 4 个 sink token。

DAIR.AI@dair_aiAI 评分4444

DAIR.AI 推介阿里与浙江大学的论文 SkillZip Pro，针对生产级 agent skill 目录包做执行感知动态压缩。方法在根或声明环境契约已提供内容时跨文件移除引用与子skill中的冗余，并保留路由使所需文件和可直接调用入口保持可达，提供 One-Shot、Continual、Persistent、Transient 四种模式。

Rohan Paul@rohanpaul_aiAI 评分5151

一项研究估算，2015 至 2024 年数据中心并未推高美国居民平均电价，数据中心容量每增加 10%，平均居民电价约下降 0.4%。原因是电网固定成本被更多售电量摊薄，且新增电厂运行成本可能更低；作者警告若电网供应不足或过度建设，该效应可能反转。2024 年数据中心用电约占美国电力 4.5%，预计 2030 年达 9-17%。

CRISP：面向长上下文 LLM 推理的输入自适应稀疏预填充方法

arXiv 论文提出 CRISP，一种输入自适应的稀疏预填充方法，用结构代理 C_struct 替代 JSD 路由，省去 pooled matmul 与 KL 散度开销，并针对 post-softmax 质量悬崖设计基于噪声底线的 sink-aware 阈值。

从 CUDA 到 MLX：K-Search 如何把内核优化经验带到 Apple Silicon

Berkeley AI Research 与 IBM Research 将进化式内核搜索框架 K-Search 扩展到 MLX 后端，通过结构化的 CUDA 到 MLX 翻译层，把已有 CUDA 内核作为知识库迁移到 Apple Silicon。

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，把大规模训练拆分为解耦的计算岛并异步传输数据，从而隔离局部硬件故障。