Google Earth AI 的 PDFM 地理空间基础模型如何用于全球公共卫生
Google Earth AI 的 Population Dynamics Foundation Model（PDFM）将搜索趋势、人口流动、建成环境密度和环境决定因素压缩为位置嵌入向量，无需任务特定微调即可接入现有流行病学模型。
#部署/工程
Google ResearchAI 评分4040
Google Research精选AI 评分6262 Google 发布基于 TEE 的下一代联邦学习系统
Google Research 发布新一代联邦学习系统，利用可信执行环境（TEE）为数据匿名化提供可验证、可审计的保证，并已在 Gboard 上线英语和日语下一词预测模型。
推荐理由：Google 公布基于 TEE 的新一代联邦学习系统设计，读者可了解其隐私验证机制与 Gboard 落地效果。
Hugging Face BlogAI 评分3838 ServiceNow CoreAI 提出 AutoSynthData：把企业智能体的能力短板转化为训练数据
ServiceNow CoreAI 构建了 AutoSynthData，用目标模型的失败案例和更强教师的成功案例定位能力缺口，再生成并校验新任务用于后训练。每个任务由系统规范、用户提示词和验证器组成，需满足可行性、真实性与难度要求，并随模型进步动态调整课程。该流程在 EnterpriseOps Gym 数据集上做了演示。
Microsoft ResearchAI 评分3232 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
微软研究院实习生开发了一套端到端机器学习流水线，利用 L1 太阳风数据预测 AE 和 Dst 指数，为美国本土 66,935 座变电站生成 30-60 分钟前的局地空间天气风险估计。
Microsoft Research精选AI 评分6666 微软研究院：把物理 AI 推理卸载出机器人可提升任务成功率与续航
微软研究院对移动机器人操作负载做了系统性测量，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。
推荐理由：微软研究院系统测量了机器人端侧推理与卸载推理的差异，并给出可复用的 Kubernetes 卸载工具链。
Berkeley AI Research精选AI 评分6262 从 CUDA 到 MLX：K-Search 如何把内核优化经验带到 Apple Silicon
Berkeley Sky Lab 与 IBM Research 将演化式内核搜索框架 K-Search 扩展到 MLX，通过结构化的 CUDA 到 MLX 翻译层，让已有 CUDA 内核经验迁移到 Apple Silicon。
推荐理由：原文给出跨平台内核迁移的具体方法与实测数字，可了解 CUDA 经验迁移到 Apple Silicon 的可行路径。
Berkeley AI ResearchAI 评分3434 自适应并行推理：高效推理扩展的下一个范式
伯克利 AI 研究团队梳理了并行推理领域进展，指出当前方法多由外部预设并行结构，模型无法自主决定何时分解任务、开多少线程。文章对比了自一致性、Best-of-N、Tree/Graph of Thoughts、MCTS 以及 ParaThinker、GroupThink、Hogwild! Inference 等方案，认为自适应并行推理是高效推理扩展的下一步方向。
Berkeley AI ResearchAI 评分3737 GRASP：面向世界模型的基于梯度的长时程规划方法
Berkeley AI Research 提出 GRASP，一种面向学习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跨时间并行优化、向状态迭代直接注入随机性以探索、并重塑梯度让动作获得清晰信号，同时避开高维视觉模型中脆弱的"状态-输入"梯度。该方法旨在解决长时程规划中优化病态、非贪心结构导致局部极小值以及高维潜空间失效模式等问题。