跳到正文
只看论文#部署/工程
  1. Google Research60

    Google 发布基于 TEE 的新一代联邦学习系统

    Google 公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远程验证和审计的保证，并已由 Gboard 采用。系统通过访问策略公开透明日志 Rekor、KMS 密钥管理与可复现构建，使设备数据只能在符合策略的 TEE 内解密处理，且仅输出差分隐私模型权重。

    推荐理由：Google 公布基于 TEE 的新一代联邦学习系统设计，并给出 Gboard 已上线的落地情况，可了解隐私可验证训练的实现路径。

  1. Microsoft Research62

    微软研究院：将物理 AI 推理卸载到边缘或云端可提升机器人性能与续航

    微软研究院对移动操作机器人工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的瓶颈，并给出可复用的 Kubernetes 卸载方案与开源工具链。

  1. Google DeepMind62

    Google DeepMind 发布 Decoupled DiLoCo 分布式训练架构

    Google DeepMind 发布 Decoupled DiLoCo 分布式训练架构，把大规模训练拆成相互解耦的计算“岛屿”，岛屿间异步传输数据，从而隔离局部硬件故障。

    推荐理由：原文给出跨数据中心异步训练在带宽、容错和跨代硬件上的实测结果，可据此判断分布式预训练的工程取舍。

  1. Google Research62

    Google 发布 TurboQuant 向量压缩算法，KV cache 压至 3 bit 无精度损失

    Google 发布 TurboQuant 压缩算法，用于解决向量量化中的内存开销问题，并同时提出 QJL 和 PolarQuant 两种配套方法，三篇工作将分别亮相 ICLR 2026 和 AISTATS 2026。

    推荐理由：Google 提出的向量量化方法把 KV cache 压到 3 bit 且不损失精度，读者可据此判断长上下文推理的内存成本走向。

已经到底了