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
微软研究院实习生构建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、地质电导率和电网数据，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。
#部署/工程
#部署/工程
今日 0 条Microsoft ResearchSI 评分3434
Hugging Face BlogSI 评分4646 Hugging Face 提出离线 Top-K Logits 与融合分块 KL 损失，让知识蒸馏低成本跑在大规模场景
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训练成本大幅下降：一是离线缓存教师模型的 top-100 logits，训练时无需再加载教师模型；二是融合分块 KL 损失，避免生成完整的词表×序列长度矩阵。
Berkeley AI ResearchSI 评分4242 K-Search 如何将 CUDA 内核专业知识迁移至 Apple Silicon
K-Search 框架扩展了 MLX 后端，通过结构化翻译层将 CUDA 内核知识自动适配为 Apple Silicon 的高性能内核。该方法在 Apple Silicon 上达到接近专家水平的性能，相比原生 MLX Attention 内核实现 0.97x 加速，并在 Mamba SSM 内核上较社区 mlx-lm 实现获得最高 20x 的 prefill 加速。
Google ResearchSI 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，把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 生产环境实测内存用量降低 15.5%、缓存未命中仅增加 5.5%、总拥有成本（TCO）降低约 5%。该方案用浅层决策树为每个页面预测 TTL，缓存写满时仍由 LRU 兜底，并已在公开缓存 trace 上验证。
Google DeepMind精选SI 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，把训练任务拆成解耦的计算孤岛并以异步数据流连接，从而隔离局部硬件故障。该架构基于 Pathways 和 DiLoCo，在混沌工程测试中丢失整个 learner unit 后仍能继续训练并重新接入；用 Gemma 4 模型验证时，其基准 ML 性能与传统训练方法持平。
推荐理由：Google DeepMind 用 Gemma 4 实测了跨数据中心异步训练，读者可了解分布式预训练在带宽与容错上的新解法。
Google Research精选SI 评分6262 Google 发布 TurboQuant 等三种向量量化算法，KV cache 压缩至 3 bit 且无精度损失
Google Research 发布 TurboQuant 压缩算法，并配套提出 QJL 与 PolarQuant，用于解决向量量化中的内存开销问题，三篇工作将分别亮相 ICLR 2026 和 AISTATS 2026。
推荐理由：Google 提出 TurboQuant 等三种向量量化算法，在 KV cache 压缩与向量搜索上给出可复用的精度与内存权衡方案。