伯克利提出基于信息量的成像系统设计框架，NeurIPS 2025 论文验证四大成像领域
伯克利 AI 研究团队提出一种直接评估和优化成像系统信息量的框架，仅用含噪测量和噪声模型即可估计互信息，无需任务专用解码器。该信息指标在彩色摄影、射电天文、无镜头成像和显微镜四个领域均能预测解码器性能，优化后的设计可媲美端到端方法，且内存和算力需求更低。相关成果发表于 NeurIPS 2025。
#数据/训练
Berkeley AI ResearchAI 评分2626
Berkeley AI ResearchAI 评分4040 无需 TD 学习的强化学习：分治法如何扩展到长时程任务
Berkeley AI Research 提出一种基于分治法的 off-policy 强化学习算法，不依赖时序差分（TD）学习，可将 Bellman 递归次数从线性降为对数级，从而扩展到任意长时程任务。
Berkeley AI ResearchAI 评分2424 word2vec 究竟学到了什么？伯克利提出可定量预测的学习理论
伯克利 AI 研究团队证明，在若干温和近似条件下，word2vec 的学习问题可化简为无权重最小二乘矩阵分解，其梯度流动力学有闭式解，最终学到的表示等价于对目标矩阵 M* 做 PCA。该矩阵仅由词共现概率、unigram 概率和算法超参数决定，从小初始化训练时模型按离散步骤逐个学习正交线性子空间，每步提升嵌入矩阵的秩并降低损失，理论预测与数值实验高度吻合。
Mistral AIAI 评分4040 Mistral 通过微调 Pixtral-12B 提升卫星图像视觉语言模型性能
Mistral 用 LoRA 微调 Pixtral-12B 处理卫星图像，在 Aerial Image Dataset（AID）上显著优于未微调基线，改善了密集住宅与中等住宅、Playground 与 Stadium 等易混类别的分类，并减少了模型幻觉出的无效类别名。
Mistral AIAI 评分4040 Mistral AI 发布首份 LLM 全生命周期环境影响报告，推动 AI 全球环境标准
Mistral AI 联合 Carbone 4 和法国生态转型署（ADEME）完成首个 AI 模型全生命周期分析，并公开两项指标：Mistral Large 2 训练及 18 个月使用产生 20.4 ktCO₂e。