Google Earth AI 的 PDFM 地理空间基础模型如何用于全球公共卫生
Google Research 展示 Google Earth AI 的 Population Dynamics Foundation Model（PDFM）作为公共卫生概念验证：它把匿名搜索趋势、人口流动、建成环境密度和环境因素压缩为按月更新的位置嵌入向量，无需任务微调即可直接接入现有流行病学模型。
#部署/工程
Google ResearchAI 评分4242
Google Research精选AI 评分6060 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。
Microsoft ResearchAI 评分3636 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 太阳风观测、AE 与 Dst 指数预报及地质电导率数据，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6262 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。
Hugging Face BlogAI 评分5050 Hugging Face 的 ALTK-Evolve 如何用更少 Token 超越 ACE
Hugging Face 的 ALTK-Evolve 与 ACE 同为无需权重更新的智能体记忆方案，但前者按任务检索少量高支持度指南，而非每步注入完整 playbook。
Hugging Face BlogAI 评分4141 Hugging Face 提出离线 Top-K Logits 与融合分块 KL 损失，让知识蒸馏低成本规模化
Hugging Face 最新论文提出两项系统改动，让大语言模型知识蒸馏的显存开销大幅下降：一是离线缓存教师模型每位置的 top-100 logits，训练时无需同时加载教师模型；二是融合分块 KL 损失，避免生成完整的词表×序列长度矩阵。
Google ResearchAI 评分3131 Google 用线性弹性缓存优化云成本，Spanner 内存用量降 15.5%
Google Research 提出线性弹性缓存，将页面淘汰建模为滑雪租赁问题，用轻量机器学习动态调整缓存大小。在 Spanner 生产环境测试中，内存用量降低 15.5%，缓存未命中仅增加 5.5%，总拥有成本（TCO）降低约 5%，实际 I/O 成本影响仅 0.5%。该方案用浅层决策树预测页面 TTL，可翻译为几行 C++ 代码。
Google DeepMind精选AI 评分6262 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。
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
伯克利 AI 研究团队提出基于梯度的规划器 GRASP，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，从而让世界模型的长时程规划变得可行。
Google Research精选AI 评分6262 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。